0
雷鋒網按：陽春三月，遼闊的南美洲大草原上，兩只體格強健的雄性美洲豹正在為爭奪一只擁有美麗花紋的雌豹，進行著一場血腥而又激烈的較量。它們心里很清楚，成者為王，敗則寇，只有贏得這場戰斗，才有機會把自己的基因保留下來流傳給后代。
這個方法殘酷，但有效。在生物學中，人們將它稱之為：進化論。
而當研究機器學習的科學家遇到生物學中的進化論，會有什么新的靈感產生？
答案是：進化算法。
近日，來自谷歌的研究人員Esteban Real和Sherry Moore等人就用進化算法為數據集CIFAR-10和CIFAR-100自動尋找神經網絡。實驗證明，該方法有效提高了匹配合適神經網絡的效率和精確度。
上周，研究人員把實驗的論文成果《Large-Scale Evolution of Image Classifiers》發布在了arXiv上，他們在論文中表示，在CIFAR-10的典型實驗結果中，其準確度的期望值達到94.1%，標準差達到0.4%，其中最高精確度可達94.6%；而對CIFAR-100的單次實驗精確度可達76.3%。
該算法可以為兩個常見、但相當有難度的圖像分類基準器（image classification benchmarks;）構建大型、精確的神經網絡；而且此實驗數據高于目前我們所知道的其他所有研究成果。
目前，該神經網絡的工作效果完全可以和人類手工構建的神經網絡相媲美。
為了達到自動尋找高性能的神經網絡結構的目的，研究人員需要進化一個模型簇（population）。
每一個模型，也就是個體（individual），都是一個訓練過的結構。模型在單個校驗數據集（validation dataset）上的準確度就是度量個體質量或適應性的指標。雷鋒網從論文中總結出，每個進化過程都會經歷一下幾個步驟：
會有一個計算機，也就是工作者（worker），隨機從模型簇中選出兩個模型；
工作者比較兩者孰優孰劣，根據優勝劣汰對模型進行識別；
不合適的模型會立刻從模型簇中被剔除，即代表該模型在此次進化中的消亡；
而更優的模型則成為母體（parent），進行繁殖；
通過這一過程，工作者實際上是創造了一個母體的副本，并讓該副本隨機發生變異，據此變異修改母本（這一點下面會講到）。研究人員把這一修改過的副本稱為子代（child）；
子代創造出來后，就要接受工作者的訓練，并在校驗集上對它進行評估；
完成之后，把子代放回到模型簇中。此時，該子代則成為母體繼續進行上述幾個步的進化。
簡言之，該進化算法就是在隨機選出的兩個個體中擇其優，因此該方法也屬于聯賽選擇算法（tournament selection）的一種。
另外，如無其他說明，模型簇一般能容納1000個個體，工作者的數量一般是個體數量的1/4，而消亡個體的目錄會被刪除，以保證整個算法能長時間在有限空間中運行。
由于子代相較于母體而言發生了變異，因此兩者不是完全相同的。在每一代繁殖過程中，工作者都會從預先準備好的變異集合中隨機選取變異。
可選的變異共有11中，以下為部分變異類型：
ALTER-LEARNING-RATE（抽樣詳情見下文）。
IDENTITY（意思是“繼續培訓”）。
RESET-WEIGHTS重置權重
INSERT-CONVOLUTION（在“卷積主干”隨機插入卷積）
REMOVE-CONVOLUTION（移除卷積）
研究人員在論文中強調，實驗的初始條件一定要非常簡單。
個體一開始都只是基本的線性回歸模型，不包含卷積，并且其學習速率僅為0.1。設置這樣的條件就是為了保證進化能完全靠自己找到最合適的那個神經模型。
事實上，很早以前就已經有科學家用神經發現法（neuro-discovery，神經進化的一種）自動匹配神經網絡了（雷鋒網注：參見Miller等人于1989年發表的論文《Designing neural networks using genetic algorithms》）。雖然神經發現法的實驗結果表現出很大的發展空間，但由于這一過程通常會涉及到大量的計算，因此，在當時的條件下，該方法在匹配精確度上仍無法和人工設計的模型相提并論。
而Esteban Real和他的團隊則解決了這一問題。他們的解決辦法是：
開發一種大規模并行且無鎖的基礎結構，使工作者們在不同的電腦上能夠異步運行。它們不會直接與對方通信，而是共用一個存有模型簇的共享文檔系統。
文檔系統中的目錄代表個體；對每個個體所進行的操作，如使之從模型簇中消亡，則表示為目錄中的原子重命名（atomic rename）。
但如果遇到一個工作者去修改另一個正在被其他工作者操作著的個體的情況，該怎么解決呢？
研究人員在論文中表示，在這種情況下，受到影響的工作者會放棄操作，尋找其他個體。
附論文地址：https://arxiv.org/pdf/1703.01041.pdf
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
