首发于GiantPandaCV公众号，作者本人亲自转发在博客园，请勿在没有联系本人的情况下进行转载。
谷歌最早发表的有关NAS的文章，全称Neural Architecture Search with Reinforcement Learning
神经网络架构搜索经典范式是，首先通过controller以p概率采样一个网络结构，然后开始训练网络结构得到准确率R，根据准确率R和概率p可以使用梯度上升的方法更新controller的参数。
在NAS-RL中，使用了Policy Gradient算法来训练controller（通常实现是一个RNN或者LSTM）。训练完采样网络后在验证集上得到的准确率就是环境反馈的奖励值Reward，根据这个Reward可以通过梯度优化的方法得到最优的RNN和网络结构。
1.1 网络结构的表示
在神经网络搜索中，controller生成了一系列代表结构的超参数（tokens）。
上图展示了一个RNN生成超参数的详细过程，每五个输出结果组成一个Layer，每个Layer中
包含了一个卷积所需要的参数，主要包含：
- 卷积核高
- 卷积核宽
- Stride高
- Stride宽
- 滤波器个数
如果想要加上类似ResNet的skip connection结构，可以引入Anchor Point进行指向：
1.2 用REINFORCE进行训练
Controller预测的一系列tokens可以被视为一系列Action (a_{1:T}) , 根据token可以得到对应的网络结构，在训练集上训练生成的结构，在验证集上得到准确率 R, 相当于得到了奖励Reward，根据奖励值可以使用强化学习方法训练Controller。
将目标函数如下：
目标函数的意义是，在当前一系列Action并且Controller的参数为( heta_c)的情况下，希望得到的奖励R的期望尽可能大。而R是不可微的，所以只能采用迭代的方式逼近最优结果。
R的表达式：(ar{R}_{ heta}=sum_{ au} R( au) p_{ heta}( au)), 其中( au)代表一系列Action。
对( heta)进行求偏导得到以下结果：
在本问题中，如果对(J( heta_c))进行求导，得到以下结果：
可以用以下式子进行近似：
虽然上式是梯度的无偏估计，但是方差比较大，所以添加一个baseline b：
1.3 并行训练
为了加速训练过程，采用了parameter-server机制，一共有S个参数服务器，保存的是K个Controller的复制，每个复制品会采样m个不同的子结构，这样可以同时进行训练，然后每个Controller收集m个子结构得到的梯度，然后将更新结果提交到参数服务器。
1.4 RNN的结构生成
RNN和LSTM都是接收(x_t)和(h_{t-1})作为输入，得到输出(h_t)结果。可以将这个过程看作一个树，控制器RNN需要去标记每个节点的具体方法，比如加法、乘法、激活函数等，来合并两个输入得到一个输出结果。受LSTM的启发，引入(c_{t-1})表示记忆状态。
对照图很容易理解，需要解释的就是Cell Inject和Cell Indices，首先看最后的输出0，这代表需要计算Tree Index 0输出结果，具体计算方法是Cell Inject决定的；倒数第二个预测为1，这代表(c_t)的输出由Tree Index1的输出决定。
1.5 实验结果
在训练了12800个结构以后，找到了在验证集上最优的结构。然后使用grid search方法搜索学习率、weight decay、batchnorm epsilon和衰减学习率的epoch。
可以看出，结果上和人工设计的网络架构差距不是很大，另外一个特点是NAS-RL得到的网络深度都很浅，否则搜索空间会过大，组合爆炸。