雷锋网 AI 科技评论按：近年来，网络结构搜索（NAS）在自动化设计神经网络结构方面取得了显著进展，并成为了模型结构优化领域不可忽视的重要研究课题。NAS 不仅减轻了人们设计、调优模型结构的重重负担，而且相较于人工设计的网络结构，搜索出的模型性能有了进一步提升。

最近，地平线-华中科技大学计算机视觉联合实验室提出了一个新颖的 Differentiable NAS 方法——DenseNAS，该方法可以搜索网络结构中每个 block 的宽度和对应的空间分辨率。本文将从简介、对于网络规模搜索思路、实现方法以及实验结果等方面详细阐述 DenseNAS 这一新的网络结构搜索方法。本文已获得地平线公众号许可进行转载。

论文地址：https://arxiv.org/abs/1906.09607

代码地址：https://github.com/JaminFong/DenseNAS

DenseNAS 简介

在深度学习领域，自动化设计神经网络已经成为了一项关键技术。尽管如此，大多数以往的工作都需要很大的计算资源和时间。不同于传统的人工智能手段，这种基于算法寻找最优解的情况下，可以极大地提高效率和性能。此外，不同于其他一些不同的解决方案，这里不仅能够找到最佳路径，还能够根据特定的需求进行调整，以确保所得结果是最佳的。

DenseNAS 对于社会而言意味着更高效，更精准的大数据分析能力，对于企业来说则意味着更快捷、更经济有效的人力成本节约。在这个过程中，我们使用一种名为 DARTS 的方法，它允许我们在训练期间直接优化超参数，而不是像以前那样通过大量试错来完成这一任务。这使得整个过程更加灵活，也使得我们能够探索更多可能性，从而发现具有潜力的新模式或策略。

通过构建一个密集连接的超级图，我们可以同时考虑所有可能的情况并选取最合适的一条路径。这是一个全新的想法，因为它不仅包括单个操作类型，还能包含深度层次上的选择。这种方式使得我们的系统更加强大，同时也提供了一个全新的研究方向，使得科学家们能够探索更多未知领域。

总之，DenseNAS 提供了一种全新的方式来创建和训练神经元架构，这将彻底改变未来几年内AI技术发展的一个关键部分。如果你对如何利用最新技术创新改善现有的产品或服务感兴趣，那么了解一下这项研究绝对是值得一看的事情。此外，如果你对人工智能与其应用感到好奇或者想要了解更多关于如何创造性地使用AI的话，你应该关注相关资讯渠道获取最新动态。在QQ最新资讯中，你可以轻松找到这些信息，并且还能参与到讨论环节，让自己成为知识交流中的积极参与者。