探索高效神经架构：SGAS —— 序列贪婪架构搜索

在深度学习领域，神经网络架构的设计是关键一环，但手动设计高效架构往往耗时且难以优化。为此，我们推荐一个创新的开源项目——Sequential Greedy Architecture Search (SGAS)，它通过序列贪婪策略解决了这一问题，能够在最小计算成本下寻找出图像分类、点云分类和蛋白质相互作用图节点分类等任务的最新最优架构。

1、项目介绍

SGAS是一种针对神经架构搜索（NAS）的新方法，旨在缓解在搜索阶段表现优异但在评估阶段效果下降的问题。它将搜索过程分解为子问题，并以贪心方式选择和剪枝候选操作。项目提供了用于卷积神经网络（CNN）和图卷积网络（GCN）的代码实现，以及详尽的实验结果来证明其有效性。

项目主页：https://www.deepgcns.org/auto/sgas
论文链接：https://arxiv.org/abs/1912.00195
幻灯片展示：https://docs.google.com/presentation/d/1f2djE-yfjXJjF3G-6HDH7v_NNWDEeapsbGAr7bJKtBY/present?slide=id.g6bb5d0ad3a_2_45
Python代码仓库：https://github.com/lightaime/sgas

2、项目技术分析

SGAS的核心在于它的序列贪婪算法，它将大规模的架构搜索问题转化为一系列小规模的决策问题。这种方法允许模型逐步构建并优化结构，从而在提高准确性和减少训练时间之间找到平衡。在CNN和GCN上的应用表明，SGAS能够有效地发现高精度的网络架构。

3、项目及技术应用场景

• 图像分类：对于大规模图像识别任务，SGAS可以搜索出能在ImageNet等数据集上达到SOTA性能的CNN架构。
• 点云分类：在三维点云数据处理中，SGAS有助于构建适用于复杂几何结构识别的网络。
• 节点分类：在生物信息学领域，SGAS可以应用于蛋白质相互作用图，寻找最佳的GCN架构进行节点分类。

4、项目特点

• 效率：相比于其他NAS方法，SGAS显著减少了计算资源需求。
• 泛化性：支持CNN和GCN的架构搜索，可广泛应用于多种任务。
• 完整性：提供完整的从环境配置到训练、评估和可视化的一站式解决方案。
• 可复现性：项目提供预训练模型，便于验证和比较结果。
• 易用性：清晰的代码结构和详细文档使新手也能快速上手。

如果你对提升模型性能或减小计算成本感兴趣，不妨尝试一下SGAS。只需按照提供的conda环境安装脚本设置环境，然后参考cnn和gcn目录下的指南，即可开始你的架构探索之旅！

最后，别忘了引用他们的工作，感谢所有贡献者：

@inproceedings{li2019sgas,
  title={SGAS: Sequential Greedy Architecture Search},
  author={Li, Guohao and Qian, Guocheng and Delgadillo, Itzel C and M{\"u}ller, Matthias and Thabet, Ali and Ghanem, Bernard},
  booktitle={Proceedings of IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2020},
}

有任何问题，请联系Guohao Li和Guocheng Qian。让我们一起探索更高效、更智能的神经网络架构吧！