搜索空间参数配置

搜索空间参数配置

通过参数配置搜索空间。

参数:

  • input_size(int|None):- input_size 表示输入 feature map 的大小。 input_size 和 output_size 用来计算整个模型结构中下采样次数。
  • output_size(int|None):- output_size 表示输出feature map的大小。 input_size 和 output_size 用来计算整个模型结构中下采样次数。
  • block_num(int|None):- block_num 表示搜索空间中block的数量。
  • block_mask(list|None):- block_mask 是一组由0、1组成的列表,0表示当前block是normal block,1表示当前block是reduction block。reduction block表示经过这个block之后的feature map大小下降为之前的一半,normal block表示经过这个block之后feature map大小不变。如果设置了 block_mask ,则主要以 block_mask 为主要配置, input_size , output_size 和 block_num 三种配置是无效的。

SANAS

classpaddleslim.nas.SANAS(configsserver_addr=(""8881)init_temperature=Nonereduce_rate=0.85init_tokens=Nonesearch_steps=300save_checkpoint='./nas_checkpoint'load_checkpoint=Noneis_server=True)

源代码

SANAS(Simulated Annealing Neural Architecture Search)是基于模拟退火算法进行模型结构搜索的算法,一般用于离散搜索任务。

参数:

  • configs(list<tuple>) - 搜索空间配置列表,格式是 [(key, {input_size, output_size, block_num, block_mask})] 或者 [(key)] (MobileNetV2、MobilenetV1和ResNet的搜索空间使用和原本网络结构相同的搜索空间,所以仅需指定 key 即可), input_size 和 output_size 表示输入和输出的特征图的大小, block_num 是指搜索网络中的block数量, block_mask 是一组由0和1组成的列表,0代表不进行下采样的block,1代表下采样的block。 更多paddleslim提供的搜索空间配置可以参考[Search Space](../search_space.md)。
  • server_addr(tuple) - SANAS的地址,包括server的ip地址和端口号,如果ip地址为None或者为”“的话则默认使用本机ip。默认:(””, 8881)。
  • init_temperature(float) - 基于模拟退火进行搜索的初始温度。如果init_template为None而且init_tokens为None,则默认初始温度为10.0,如果init_template为None且init_tokens不为None,则默认初始温度为1.0。详细的温度设置可以参考下面的Note。默认:None。
  • reduce_rate(float) - 基于模拟退火进行搜索的衰减率。详细的退火率设置可以参考下面的Note。默认:0.85。
  • init_tokens(list|None) - 初始化token,若init_tokens为空,则SA算法随机生成初始化tokens。默认:None。
  • search_steps(int) - 搜索过程迭代的次数。默认:300。
  • save_checkpoint(str|None) - 保存checkpoint的文件目录,如果设置为None的话则不保存checkpoint。默认: ./nas_checkpoint 。
  • load_checkpoint(str|None) - 加载checkpoint的文件目录,如果设置为None的话则不加载checkpoint。默认:None。
  • is_server(bool) - 当前实例是否要启动一个server。默认:True。

返回: 一个SANAS类的实例

示例代码:

from paddleslim.nas import SANAS

config = [('MobileNetV2Space')]

sanas = SANAS(configs=config)

注解

  • 初始化温度和退火率的意义:
    • SA算法内部会保存一个基础token(初始化token可以自己传入也可以随机生成)和基础score(初始化score为-1),下一个token会在当前SA算法保存的token的基础上产生。在SA的搜索过程中,如果本轮的token训练得到的score大于SA算法中保存的score,则本轮的token一定会被SA算法接收保存为下一轮token产生的基础token。
    • 初始温度越高表示SA算法当前处的阶段越不稳定,本轮的token训练得到的score小于SA算法中保存的score的话,本轮的token和score被SA算法接收的可能性越大。
    • 初始温度越低表示SA算法当前处的阶段越稳定,本轮的token训练得到的score小于SA算法中保存的score的话,本轮的token和score被SA算法接收的可能性越小。
    • 退火率越大,表示SA算法收敛的越慢,即SA算法越慢到稳定阶段。
    • 退火率越低,表示SA算法收敛的越快,即SA算法越快到稳定阶段。
  • 初始化温度和退火率的设置:
    • 如果原本就有一个较好的初始化token,想要基于这个较好的token来进行搜索的话,SA算法可以处于一个较为稳定的状态进行搜索r这种情况下初始温度可以设置的低一些,例如设置为1.0,退火率设置的大一些,例如设置为0.85。如果想要基于这个较好的token利用贪心算法进行搜索,即只有当本轮token训练得到的score大于SA算法中保存的score,SA算法才接收本轮token,则退火率可设置为一个极小的数字,例如设置为0.85 ** 10。
    • 初始化token如果是随机生成的话,代表初始化token是一个比较差的token,SA算法可以处于一种不稳定的阶段进行搜索,尽可能的随机探索所有可能得token,从而找到一个较好的token。初始温度可以设置的高一些,例如设置为1000,退火率相对设置的小一些。

next_archs()

获取下一组模型结构。

返回: 返回模型结构实例的列表,形式为list。

示例代码:

import paddle.fluid as fluid

from paddleslim.nas import SANAS

config = [('MobileNetV2Space')]

sanas = SANAS(configs=config)

input = fluid.data(name='input', shape=[None, 3, 32, 32], dtype='float32')

archs = sanas.next_archs()

for arch in archs:

    output = arch(input)

    input = output

print(output)

reward(score)

把当前模型结构的得分情况回传。

参数:

  • score<float>: - 当前模型的得分,分数越大越好。

返回: 模型结构更新成功或者失败,成功则返回 True ,失败则返回 False 。

示例代码:

import paddle.fluid as fluid

from paddleslim.nas import SANAS

config = [('MobileNetV2Space')]

sanas = SANAS(configs=config)

archs = sanas.next_archs()

 

### 假设网络计算出来的score1,实际代码中使用时需要返回真实score

score=float(1.0)

sanas.reward(float(score))

tokens2arch(tokens)

通过一组tokens得到实际的模型结构,一般用来把搜索到最优的token转换为模型结构用来做最后的训练。tokens的形式是一个列表,tokens映射到搜索空间转换成相应的网络结构,一组tokens对应唯一的一个网络结构。

参数:

  • tokens(list): - 一组tokens。tokens的长度和范围取决于搜索空间。

返回: 根据传入的token得到一个模型结构实例列表。

示例代码:

import paddle.fluid as fluid

from paddleslim.nas import SANAS

config = [('MobileNetV2Space')]

sanas = SANAS(configs=config)

input = fluid.data(name='input', shape=[None, 3, 32, 32], dtype='float32')

tokens = ([0] * 25)

archs = sanas.tokens2arch(tokens)[0]

print(archs(input))

current_info()

返回当前token和搜索过程中最好的token和reward。

返回: 搜索过程中最好的token,reward和当前训练的token,形式为dict。

示例代码:

import paddle.fluid as fluid

from paddleslim.nas import SANAS

config = [('MobileNetV2Space')]

sanas = SANAS(configs=config)

print(sanas.current_info())

人工智能芯片与自动驾驶
原文地址:https://www.cnblogs.com/wujianming-110117/p/14424079.html