另一种可微架构搜索：商汤提出在反传中学习架构参数的SNAS

选自 Openreview作者：Sirui Xie、Hehui Zheng、Chunxiao Liu、Liang Lin参与：Geek AI、张倩为了寻找可以用在大规模数据集上的成熟的AutoML 或神经网络架构搜索（NAS）解决方案，本文作者提出了一种经济的、端到端的 NAS：随机神经网络架构搜索（SNAS）。该方法在保持 NAS 工作流程完整性和可微性的同时，在同一轮反向传播中训练神经运算的参数和网络架构分布的参数。在使用 CIFAR-10 数据集进行的实验中，SNAS 在经过更少 epoch 迭代的情况下取得了当前最佳性能，而且其效果可以被迁移至 ImageNet。自 2016 年 Barret Zoph 和 Quoc Le 提出「用强化学习进行神经架构搜索」（《Neural architecture search with reinforcement learning》）以来，在大量科研人员的努力下，自动搜寻最先进的网络架构的趋势一直 ………………………………