1. 长话短说

这篇论文（简称CompOFA）主要是基于 Once for all: Train One Network and Specialize it for Efficient Deployment 论文的改进，其主要的改进就是把原来OFA的搜索空间简化，带来的好处有

实验结果显示搜索时间缩小了一半
虽然搜索时间变短了，但是依旧能找到Pareto-front模型，而且模型性能和OFA搜到的很接近甚至更好

2. 动机

前面提到了 CompOFA 这篇论文的主要贡献在于提出了精简OFA搜索空间的搜索策略，那在介绍这个精简策略之前，我们首先回顾一下OFA的搜索空间，如下图所示。

经过计算OFA的整体搜索空间大小为 (2 imes10^{19})左右，而本篇论文的主要贡献就是简化搜索空间。它的依据是基于之前一些模型缩放探究的工作13得出的结论，这些结论其实也比较符合直觉，即 width和depth不是互相独立的，相反它们之间存在着复合关系，即二者同时增加对模型性能都有提升作用。作者特别做了个小实验进一步证明这一点，结果如下图是，可以看到随着depth和width同时增加，对角线的accuracy（左图）和latency（右图）也是逐步提升的。

文章花了一大短篇幅，引经据典地强调 width和depth存在复合关系，以此来证明他们工作的可行性，后面要介绍的采样策略也是基于此。

另外CompOFA还总结了一个比较有意思的点。我们都知道NAS任务的搜索空间一般都是巨大的，但是以OFA为例，它涵盖的模型的FLOP的范围是120~560 MFLOPS，即使我们以 1个FLOP为基本单位进行划分，假设模型是均匀分布的，那么每个FLOP的块里仍然有 (10^{11})个模型。

那么一个很自然的问题就是，即使在指定大小的FLOP块里，去找到最优的模型结构也是非常困难的。而且实际场景中并不会精确到具体的FLOP值，是可以有一个上下区间的，这样一来搜索空间就更大了，所以如何简化搜索空间也是值得研究的问题

3. 采样策略

OFA论文中的采样策略是渐进式收缩的，采样的模型数量非常多。而CompOFA的采样策略则是让width和depth成对缩放，细节如下：

在介绍OFA的时候已经介绍过了，其搜索空间主要有三部分：

Depth：2,3,4
Width：3,4,6
Kernel Size: 3,5,7

CompOFA的做法是固定Kernel size，并将depth和width成对搜索，即 {depth, width}={2,3,3,4,4,6}。因为总共有5个block，所以搜索空间大小为 (3^5=243)。

下面是OFA和CompOFA的搜索流程对比，可以看到CompOFA的搜索时间大大减少。

4. 实验结果

下图示不同硬件平台的结果对比

以5ms延迟为一个块，分别在该块内随机采样50个模型，然后对比错误率的累积概率分布。可以看到以26%的错误率为例，CompOFA采样得到的模型错误率小于26%的数量比例要多于OFA。

OFA的一个主要贡献是提出了Progressive Shrinking （PS）算法，但是在CompOFA中，作者在精简后的搜索空间上对比了使用PS和不使用PS策略，结果如下。可以看到PS对CompOFA最终模型性能影响不是很大

参考

1 Yu, Jiahui, et al. "Bignas: Scaling up neural architecture search with big single-stage models." European Conference on Computer Vision. Springer, Cham, 2020.
2 Tan, Mingxing, and Quoc Le. "Efficientnet: Rethinking model scaling for convolutional neural networks." International Conference on Machine Learning. PMLR, 2019.
3 Radosavovic, Ilija, et al. "Designing network design spaces." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020.