|
介绍： 人们对AutoML的兴趣越来越强烈，这将对神经架构优化领域起到强大的推动作用。事实证明，网络架构的选择，对模型性能至关重要。另外，由于深度学习技术的计算密集型特点，构建实际应用的过程中需要引入很强的领域知识。因此，对于领域专家来说，从头开始深度学习模型的搭建有一定难度，这也使得AutoML技术具有非常广阔的前景。 目前，深度学习自动化是机器学习领域增长速度最快的研究方向。每周，在arxiv社区上均会发表大量有趣的信息研究成果，这也让研究人员很难做到完全的跟踪。为此，通过本文，我们对网络架构搜索问题，提供了一种形式化的描述，对现有的技术进行了统一的分类，并对单个技术进行了详细的分析。在本文中，我们讨论了基于强化学习和进化算法原理的常见架构优化算法，另外，我们还讨论了新的研究方向，包括约束和多目标架构搜索，及自动数据增强、优化器和激活函数搜索等。 本文结构：
|
|
|
