from：https://blog.csdn.net/xjz18298268521/article/details/79079008
论文：《Learning Transferable Architectures for Scalable Image Recognition》
注
先啥都不说，看看论文的实验结果，图1和图2是NASNet与其他主流的网络在ImageNet上测试的结果的对比，图3是NASNet迁移到目标检测任务上的检测结果，从这图瞬间感觉论文的厉害之处了，值得阅读好几篇。
图1ImageNet数据集上的比较
图2 NASNet与目前最好的网络的比较
图3 NASNet目标检测的效果
1. 概述
此论文是一开始发表于ICLR2017，后来转投与CVPR2017，又是Google
Brain的一篇著作，其开源了源代码，目前还没有找到caffe版本的实现。论文是在之前的一篇论文NAS–Neural Architecture
Search With Reinforcement
Learning的基础做了突破性的改进，使得能让机器在小数据集（CIFAR-10数据集）上自动设计出CNN网络，并利用迁移学习技术使得设计的网络能够被很好的迁移到大数据集（ImageNet数据集），同时也可以迁移到其他的计算机视觉任务上（如目标检测）。
自我总结
看了论文一遍后发现真是云里雾里，真是硬着头皮看完了一遍，发现是论文许多核心的点都是基于NAS做的，在论文中只是几句带过，所以看完一篇论文后我不得不先去下载NAS论文看，看完NAS论文后回头再重新看这篇论理解起来就简单多了，极力推荐先看NAS论文（也是一篇很好的论文）再看此篇论文。
2. 论文核心
看完NAS论文和此篇论文，我将从以下几点描述论文的核心点。
核心一：延续NAS论文的核心机制使得能够自动产生网络结构；
核心二：采用resnet和Inception重复使用block结构思想；
核心三：利用迁移学习将生成的网络迁移到大数据集上提出一个new search space。
核心一
论文是采用了NAS的核心机制来自动生成网络，还是利用RNN控制器去预测一个网络结构，接着训练这个网络直到收敛，去验证集上测试得到一个准确率R，将这个R作为回报信号反馈给RNN控制器去更新RNN控制器的参数，从而产生更好的网络结构。只不过原来NAS中优化的算法是policy梯度，而论文中采用
Proximal Policy Optimization
(PPO)算法。整个的流程还是使用强化学习机制，具体的细节在NAS论文中有阐述，这里就不详细阐述了。
图4 生成网络的机制
NAS那篇论文中的实验都是在CIFAR-10上做的，所以那种搜索方式可以在能接受的时间范围内达到目的，但是如果想要在ImageNet数据集应用就不大行，因此就有了这篇文章，核二和核心三也是基于此提出的，也就是设计一个合适的new
search
space，使得在CIFAR-10上得到的最好的网络结构可以方便地迁移到ImageNet这样的图像尺寸大且数量也多的数据集上，因此这篇文章可以看做的ICLR2017那篇NAS文章的升级版，搜索速度比之前快了7倍左右。
核心二
论文借鉴了目前主流优秀的网络结构（如ResNet和GoogleNet）的重复堆叠思想，使得RNN控制器学习得到也是基本单元convolutional
cell，这是和原来的NAS很不一样的地方。论文通过堆叠convolution
cell从而构建整个网络结构，如图5所示就是基于这两种cell在不同数据集上构建的网络结构。
为了生成可扩展的网络结构并且能够结构任意size的图像，基于此论文设计的convlolution cell主要包含两种：
Normal Cell：不改变输入feature map的大小的卷积；
Reduction Cell：将输入feature map的长宽各减少为原来的一半的卷积，是通过增加stride的大小来降低size。
最后RNN控制器用来预测这两种Cell。
图5 Normal Cell和Reduction Cell构建网络结构
核心三
核心三也是论文一大改进，也是论文的核心所在，对于RNN控制器预测的输出和NAS不一样了。上述所描述的convolution
cell到底是什么呢?论文的解释是一个convolution
cell由B个block组成，那么一个block又是什么呢，看看图6就一目了然，对于每个block来说RNN控制器有5个预测步骤也有5个输出的预测值。每个block的输入是前面的两个block的最后的输出。
图6 RNN控制器预测每个convolution cell中的每个block结构图
图中的预测步骤一共是5个步骤：
Step1：从hidden states（前面block中产生的）中选择一个hidden state—hi-1；
Step2：重复step的操作，选择一个hidden state—hi；
Step3：为step1中选择的hidden state选择一个操作；
Step4：为step2中选择的hidden state选择一个操作；
Step5：选择一个方法去连接step3和step4中的输出从而产生一个new hidden state，并将其添加到hidden states中。
说明
考虑到计算资源的限制，论文限制了search space，设置B=5。
Step3和step4中选择的操作可以下面的这些选项选择
Step5中的连接方式一般有两种选择
（1）element-wise addition between two hidden states
（2）concatenation between two hidden states along the filter dimension
上述的5个step就是此论文的核心了，也就是作者设计的new search
space，这是和ICLR2017那篇NAS文章最不一样的地方，NAS那篇文章中的search
space包含了filter的size，stride等等，而这篇文章则通过构造convolution
cell的方式大大降低了search的难度。
图6中左右两个图都是一个block的示意图，且是相互对应的，比如左图中的两个灰色框对应右图中的最底下两个虚线框，左图中的两个黄色框对应右图中的3*3
conv和 2*2 maxpool，左图中的绿色框对应右图中的add操作。
图7就是作者通过实验得到的表现最好的Normal Cell和Reduction Cell结构。每个convolution
cell（比如Fiugre4中的Normal Cell和Reduction
Cell）都是B个block的结果，在Figure4中，B=5，所以可以看到不管在Normal Cell还是Reduction
Cell中都有5个add操作。注意图6展示的是论文称为NASNet-A的Cell结构，论文中的其他两种基于不同的search
spaces得到的NASNet-B和NASNet-C的Cell结构可以看论文中最后的附录部分。可以看出虽然作者没有设计类似ResNet那样的residual
connection结构（或者叫skip connection），但是这些Cell在训练过程中自己学会了这种skip
connection（图7中的虚线连接），这个学习的过程就是图6中前面两个灰色矩形框的select过程（可以和ICLR2017的NAS中设计的skip
connection结构对比，在那篇文章中采用的sigmoid结构表达层与层之间的连接关系），而且作者发现当手动插入residual
connection时并没能提高模型的效果。
图7 NASNet-A的Cell结构示意图