02 端到端搜索：從頭開始搜索新的架構

被最初成功的結果所鼓舞，接著就是更進一步、更廣泛地尋找能夠提供更好結果的全新架構，通過不局限于組合已經發(fā)現(xiàn)的NAS單元，可以更直接地尋找考慮到嚴格的延遲需求的架構。

執(zhí)行端到端搜索通常需要手動探索數(shù)千個架構，這需要大量的計算成本。探索單一架構需要在具有多個GPU卡的數(shù)據(jù)中心計算機上進行幾天的培訓，這意味著搜索單個任務需要數(shù)千天的計算時間。相反，通過設計了一個代理任務：一個縮小的激光雷達分割任務，可以在幾個小時內解決。

Waymo團隊必須克服的一個挑戰(zhàn)，是找到一個與最初的細分任務足夠相似的代理任務。在確定代理任務上的架構質量與原始任務上的架構質量之間的良好相關性之前，對幾個代理任務設計進行了試驗。然后，啟動了一個類似于AutoML論文的搜索，但現(xiàn)在是代理任務：一個端到端代理搜索。這是這個概念第一次應用在激光雷達數(shù)據(jù)上。

圖二：代理端到端搜索：在一個縮小的代理任務上探索數(shù)千個架構，將100個最佳架構應用于原始任務，驗證和部署car上最好架構中的最好架構

Waymo使用了幾種搜索算法，對質量和延遲進行優(yōu)化，因為這對車輛非常重要。觀察不同類型的CNN架構，使用不同的搜索策略，如隨機搜索和強化學習，能夠為代理任務探索超過10，000種不同的架構。通過使用代理任務，在谷歌TPU集群上需要一年以上計算時間的任務只需要兩周時間。

當我們剛剛轉移了NAS單元，結果發(fā)現(xiàn)了比以前更好的網絡：

在相同的質量下，神經網絡的延遲降低20－30％；

具有更高質量的神經網絡，錯誤率降低8－10％，與以前的架構具有相同的延遲。

圖三 ：1）第一個圖展示了在一組簡單的架構上隨機搜索發(fā)現(xiàn)的大約4000個架構。每個點都是一個經過培訓和評估的架構。實線表示不同推理時間約束下的最佳體系結構，紅點表示用轉移學習構建的網絡的延遲和性能。在這種隨機搜索中，網絡學習效果不如遷移學習

圖三：2）在第二張圖中，黃色和藍色的點表示另外兩種搜索算法的結果。黃色的是對一組精致架構的隨機搜索。藍色的那個使用了強化學習，就像在［1］中一樣，探索了6000多個架構。它產生了最好的結果。這兩個額外的搜索發(fā)現(xiàn)，網絡明顯優(yōu)于遷移學習的網絡

在搜索中發(fā)現(xiàn)的一些架構顯示了卷積、池化和反卷積操作的創(chuàng)造性組合，如下圖所示。這些架構最終非常適合最初的激光雷達分割任務，并將部署在Waymo的自動駕駛汽車上。

圖四：由代理端到端搜索發(fā)現(xiàn)的一種神經網絡結構

03 接下來是什么

Waymo的Auto ML實驗僅僅是個開始。對于激光雷達分割任務，傳輸學習和代理端到端搜索都提供了比人工制作更好的網絡，現(xiàn)在有機會將這些機制應用到新的任務類型上，這可以改善許多其他的神經網絡。

這一發(fā)展為未來的ML工作開辟了新的令人興奮的道路，并將提高Waymo的自動駕駛技術的性能和能力，并繼續(xù)與谷歌AI大腦的合作。