1. 重点与亮点

1.1. 多目标优化函数

将准确定性能和真实手机推理时间结合在一起，兼顾精度和速度构建出多目标的优化函数。（精度，速度）

其中ACC是准确度；LAT是预测时间；T是一个常数，硬指标，表示让模型在T时间内完成预测，如75ms；w是一个小于等于零的数；整体来讲，要让目标函数（找到某个模型m）最大化，则ACC要足够大，LAT要足够小。

w是一个超参数，当LAT满足硬指标的时候，设置为α，否则设置为β，至于不同的α和β有什么区别，可以参考下图：

左图是一个横轴为LAT，纵轴为目标函数的折线图。

方案1（左上角的图），当α为0，β为-1的时候，T之前（w=0），目标函数等于ACC，LAT无影响；T之后（w=-1），对LAT继续增加，导致对目标函数有明显的惩罚。

方案2（左下角的图），当α、β均为-0.07的时候，目标函数是一条平滑的曲线。至于为什么选-0.07，这个也是有依据的：

也就是说，当模型精度提高5%的时候，允许推断时间增加为原来的2倍，利用这个关系算出来的α、β更有利于寻找模型的帕累托最优解。

右图是不同的方案下，生成模型的分布情况。

方案一导致生成的模型更集中，由于超过T就会受到明显惩罚，最终搜索结果更偏向于待在舒适区（不求有功但求无过，哈哈），即T之前。

方案二，生成的模型更加多样与平均，搜索的空间更大，可以搜到更多样的模型，更多的精度与速度组合的模型。

他们搜了3000个模型，总的来说就是财大气粗。

1.2. 分层分解的的NAS搜索空间

设计了一个分层搜索的架构，总共有7个Block，每个Block里面有N个Layer，每个Block里的Layer的结构都是一样的，这就让不同Block中的结构是不一样的，缩小了搜索空间的同时，保证了结构的多样性。

其中图中蓝色的表示都是人工智能强化学习模型搜索出来的，如每个Layer的结构（卷积的方式如传统卷积还是深度可分离卷积，卷积核的大小），是否加SE模块注意力机制seratio的大小，跨层连接方式，输出层卷积核大小，每个Block中的Layer个数。

2. 其他

2.1. 强化学习

使用一个RNN作为智能代理，在搜索空间中采样模型，并进行模型训练，然后计算精度和在真实手机上的推断速度，算出目标优化函数，作为奖励反馈给RNN模型，RNN收到奖励后作出新一轮的反应，并采取新的行动策略……最终目标是目标函数最大化及期望值最大化。

2.2. 最终模型

这是搜索出来的架构，紫色部分是MobileNetv1的深度可分离卷积模块，绿色的是MobileNetV2的逆残差模块，红色的是带注意力机制的mobile SE模块。比较有趣的是，AI自己搜出来的卷积核里有5x5的卷积，跟主流的人工设计的架构里基本是3x3的卷积核有点不一样，说到底深度学习还是一门试验科学，最终好的模型也是试出来的。

3.题外话

目标优化函数导致最终搜索出来的模型那块是比较有意思的，类比现实的组织，评绩点的时候，如果上头给你定了一个硬指标，保证硬指标就能够拿到平均分，没达到这个指标，则按照程度给予严厉的惩罚，则最终导致大多数人都会选择相对保守的执行策略，大家都更愿意停留在舒适区，宁愿少做也不愿犯错；如果虽然有一个硬指标，但是允许你在一定程度上犯错，则会有更多人选择更多样的执行策略，而且更愿意试错。

4. 参考

[1] 【精读AI论文】谷歌轻量化网络Mnasnet（神经架构搜索）

[2] MnasNet：终端轻量化模型新思路

[3] 如何评价 Google 最新的模型 MnasNet？

（完）