Key points are not available for this paper at this time.
أثبت بحث بنية الشبكات العصبية القابل للتفريق (DNAS) نجاحًا كبيرًا في تصميم الشبكات العصبية المتطورة والفعالة. ومع ذلك، فإن مساحة البحث في DNAS المستندة إلى DARTS صغيرة مقارنةً بأساليب البحث الأخرى، حيث يجب أن تكون جميع طبقات الشبكة المرشحة متواجدة بشكل صريح في الذاكرة. لمعالجة هذه المشكلة، نقترح نوعًا من DNAS يكون فعالًا من حيث الذاكرة والحوسبة: DMaskingNAS. توسع هذه الخوارزمية مساحة البحث حتى 10¹⁴ مرة مقارنةً بـ DNAS التقليدي، مما يدعم البحث في الأبعاد المكانية والأبعاد القنوات التي تكون مكلفة للغاية في العادة: دقة الإدخال وعدد المرشحات. نقترح آلية تمييز لإعادة استخدام خرائط الميزات، بحيث تظل تكاليف الذاكرة والحوسبة شبه ثابتة مع توسع مساحة البحث. علاوة على ذلك، نقوم بتطبيق انتشار الشكل الفعال لتعظيم دقة كل FLOP أو لكل معلمة. تحقق FBNetV2 من الأداء الرائع مقارنةً بجميع الهياكل السابقة. مع تكلفة بحث أقل تصل إلى 421 مرة، يجد DMaskingNAS نماذج بدقة أعلى بنسبة 0.9%، ويفيض 15% أقل من FLOPs من MobileNetV3-Small؛ ومع دقة مشابهة لكن مع عدد FLOPs أقل بنسبة 20% من Efficient-B0. علاوة على ذلك، فإن FBNetV2 يتفوق على MobileNetV3 بنسبة 2.6% في الدقة، مع حجم نموذج مكافئ. نماذج FBNetV2 متاحة كمصدر مفتوح على https://github.com/facebookresearch/mobile-vision.
درس وان وآخرون (مون) هذا السؤال.