谷歌大腦最新研究：用AutoML的方式自動(dòng)學(xué)習(xí)Dropout模式，再也不用手動(dòng)設(shè)計(jì)

十三 2021-01-10 12:37:57 來源：量子位

魚羊 發(fā)自 凹非寺
量子位 報(bào)道 | 公眾號(hào) QbitAI

深度神經(jīng)網(wǎng)絡(luò)往往存在過擬合的問題，需要Dropout、權(quán)重衰減這樣的正則化方法的加持。

而最近的研究表明，如果對(duì)Dropout“剪掉”的神經(jīng)元的結(jié)構(gòu)進(jìn)行利用，就能實(shí)現(xiàn)比隨機(jī)替換更好的效果。

問題是，實(shí)際應(yīng)用中，針對(duì)不同的問題，利用結(jié)構(gòu)的方法需要人工設(shè)計(jì)，對(duì)Dropout的模式進(jìn)行調(diào)整，泛化能力不足。

那么，是否能設(shè)計(jì)一種針對(duì)CNN、Transformer這樣的深度神經(jīng)網(wǎng)絡(luò)，自動(dòng)學(xué)習(xí)Dropout模式的方法？

現(xiàn)在，谷歌大神Quoc V. Le的團(tuán)隊(duì)，就提出了一種名為AutoDropout的方法。

相關(guān)論文已經(jīng)入選AAAI 2021。

將設(shè)計(jì)Dropout模式的過程自動(dòng)化

AutoDropout的主要目的，就是將設(shè)計(jì)針對(duì)專門場景的Dropout模式這件事自動(dòng)化。

研究人員為此設(shè)計(jì)了一個(gè)新的結(jié)構(gòu)化Dropout模式的搜索空間。這個(gè)搜索空間囊括了許多現(xiàn)有的Dropout模式。

不妨先以CNN為例，來看一下該方法是如何實(shí)現(xiàn)的。

CNN中的Dropout模式搜索空間

在CNN中，搜索空間的基本模式是一個(gè)連續(xù)的矩形，矩形經(jīng)過平鋪，就會(huì)產(chǎn)生一個(gè)Dropout模式。

定義矩形的超參數(shù)，是高度和寬度；而定義平鋪的超參數(shù)，是步幅和重復(fù)次數(shù)。

除了對(duì)矩形進(jìn)行平鋪之外，還需要將兩個(gè)幾何變換引入搜索空間：圍繞空間中心旋轉(zhuǎn)，沿著每個(gè)空間維度進(jìn)行剪切。

在得到dropout模式之后，研究人員將其應(yīng)用于批量歸一化層的輸出——根據(jù)研究人員的經(jīng)驗(yàn)，在網(wǎng)絡(luò)的其他地方進(jìn)行應(yīng)用，往往會(huì)導(dǎo)致搜索過程中訓(xùn)練的不穩(wěn)定。

如果CNN中存在殘差連接，控制器則會(huì)進(jìn)一步判斷，是否把dropout模式應(yīng)用到殘差分支中。

控制器模型和搜索算法

AutoDropout的控制器是通過強(qiáng)化學(xué)習(xí)來訓(xùn)練的。

控制器實(shí)際上是一個(gè)Transformer網(wǎng)絡(luò)。該網(wǎng)絡(luò)生成token以描述Dropout模式的配置。

如下圖所示，對(duì)于CNN中的每一層，都需要8個(gè)token來創(chuàng)建Dropout模式。

不過，這樣搜索算法可能需要花費(fèi)大量的時(shí)間進(jìn)行訓(xùn)練，為此，研究人員也進(jìn)行了并行性方面的改善工作。

Transformer中的Dropout模式搜索空間

這樣的方法同樣適用于Transformer。

與CNN中最大的不同在于，搜索空間中的dropout模式可以靈活地應(yīng)用于Transformer層的多個(gè)子層，比如query、key、value、softmax、輸出投影和殘差等。

因此，研究人員針對(duì)每一個(gè)子層，各自應(yīng)用了獨(dú)立的dropout模式。

實(shí)驗(yàn)結(jié)果

為了驗(yàn)證AutoDropout的效果，研究人員分別在CNN和Transformer模型中應(yīng)用了AutoDropout。

對(duì)于CNN，主要應(yīng)用在有監(jiān)督圖像分類任務(wù)和半監(jiān)督圖像分類任務(wù)。

對(duì)于Transformer，主要考慮語言模型和機(jī)器翻譯。

可以看到，在CIFAR-10和ImageNet上，AutoDropout都有效改善了SOTA模型的結(jié)果，并且優(yōu)于DropBlock等需要人工介入的方法。

而與使用Variational Dropout方法訓(xùn)練的Transformer-XL模型相比，AutoDropout同樣帶來了更好的表現(xiàn)。

不過，研究人員也提到，AutoDropout的缺點(diǎn)是搜索成本很高。

有關(guān)作者

本文有兩位作者。

Hieu Pham，谷歌大腦和卡內(nèi)基梅隆大學(xué)共同培養(yǎng)的博士生，本科畢業(yè)于斯坦福大學(xué)。

另一位作者是Quoc V. Le大佬。他是吳恩達(dá)的學(xué)生，Google Brain的創(chuàng)立者之一，也是谷歌AutoML項(xiàng)目的幕后英雄之一。

傳送門

論文地址：
https://arxiv.org/abs/2101.01761