ProxylessNAS: Direct Neural Architecture Search on Target Task and Hardware

任务(项目管理) 计算机体系结构 建筑 计算机科学 计算机硬件 嵌入式系统 人工智能 工程类 地理 系统工程 考古
作者
Han Cai,Ligeng Zhu,Song Han
出处
期刊:Cornell University - arXiv 被引量:1308
标识
DOI:10.48550/arxiv.1812.00332
摘要

Neural architecture search (NAS) has a great impact by automatically designing effective neural network architectures. However, the prohibitive computational demand of conventional NAS algorithms (e.g. $10^4$ GPU hours) makes it difficult to \emph{directly} search the architectures on large-scale tasks (e.g. ImageNet). Differentiable NAS can reduce the cost of GPU hours via a continuous representation of network architecture but suffers from the high GPU memory consumption issue (grow linearly w.r.t. candidate set size). As a result, they need to utilize~\emph{proxy} tasks, such as training on a smaller dataset, or learning with only a few blocks, or training just for a few epochs. These architectures optimized on proxy tasks are not guaranteed to be optimal on the target task. In this paper, we present \emph{ProxylessNAS} that can \emph{directly} learn the architectures for large-scale target tasks and target hardware platforms. We address the high memory consumption issue of differentiable NAS and reduce the computational cost (GPU hours and GPU memory) to the same level of regular training while still allowing a large candidate set. Experiments on CIFAR-10 and ImageNet demonstrate the effectiveness of directness and specialization. On CIFAR-10, our model achieves 2.08\% test error with only 5.7M parameters, better than the previous state-of-the-art architecture AmoebaNet-B, while using 6$\times$ fewer parameters. On ImageNet, our model achieves 3.1\% better top-1 accuracy than MobileNetV2, while being 1.2$\times$ faster with measured GPU latency. We also apply ProxylessNAS to specialize neural architectures for hardware with direct hardware metrics (e.g. latency) and provide insights for efficient CNN architecture design.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
爸爸完成签到,获得积分10
刚刚
文艺的曼柔完成签到 ,获得积分10
刚刚
端庄书雁完成签到,获得积分10
1秒前
小二郎应助QE采纳,获得10
1秒前
高高的元容给高高的元容的求助进行了留言
1秒前
清新的小猫咪完成签到 ,获得积分10
2秒前
3秒前
3秒前
爆米花应助鸣蜩阿六采纳,获得10
5秒前
Carpe完成签到,获得积分10
7秒前
WHITE完成签到,获得积分10
7秒前
Ying瀅发布了新的文献求助10
7秒前
7秒前
鳗鱼新之发布了新的文献求助10
8秒前
木白发布了新的文献求助10
10秒前
10秒前
11秒前
CipherSage应助秋刀鱼不过期采纳,获得10
11秒前
zhang08完成签到,获得积分10
11秒前
Ava应助Snoopy采纳,获得10
11秒前
11秒前
12秒前
安和桥发布了新的文献求助10
12秒前
无花果应助葛根采纳,获得10
14秒前
15秒前
在水一方应助kkx采纳,获得10
15秒前
萌新完成签到,获得积分10
16秒前
怡然雁凡发布了新的文献求助10
16秒前
YYJ发布了新的文献求助10
16秒前
17秒前
孔建梅完成签到 ,获得积分10
17秒前
温柔的向日葵完成签到,获得积分10
18秒前
18秒前
000111发布了新的文献求助10
18秒前
安和桥完成签到,获得积分10
18秒前
18秒前
18秒前
18秒前
19秒前
wulin314完成签到,获得积分10
20秒前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Le dégorgement réflexe des Acridiens 800
Defense against predation 800
Very-high-order BVD Schemes Using β-variable THINC Method 568
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3135235
求助须知:如何正确求助?哪些是违规求助? 2786181
关于积分的说明 7776022
捐赠科研通 2442078
什么是DOI,文献DOI怎么找? 1298417
科研通“疑难数据库(出版商)”最低求助积分说明 625112
版权声明 600847