目录
传统的计算学习方式包括特征提取，模型设计以及参数调优三大部分，而自动机器学习（Auto Machine Learning ，AutoML) 如其名所示，整个机器学习的过程是自动完成的，只需要输入数据就可以得到输出，如图所示。目前AutoML主要以图像分类作为切入点，已经取得了较好的实验结果。
2. AutoML原理
目前的AutoML主要是基于Neural Architecture Search（NAS），即神经网络结构搜索技术，通过某种算法实现神经网络的自动生成主要包含搜索空间、搜索策略以及性能评估等方面来进行。NAS通过控制器采用生成网络结构后，模型会根据这个网络模型计算任务的正确率，然后根据这个正确率决定奖励还是惩罚，从而更新采样控制器。
2.1 NAS
NEURAL ARCHITECTURE SEARCH WITH REINFORCEMENT LEARNING 提出了一种NAS算法如图1所示，通过使用RNN作为控制器那后以p为概率采样网络架构A，然后计算包含架构A子网络的正确率，然后根据概率缩放梯度来更新控制器。具体包含以下几个步骤
2.1.1 RNN控制器
每一个时间步通过softmax给出各种网络参数的预测并作为下一个时间步的输入，如图2所示。可以看到网络的各种参数作为目标输出在同一个时间步给出。
2.1.2 强化学习训练
使用强化学习训练控制器，整个AutoML需要训练的是基于RNN的控制器，采用训练的方式为强化学习，目标函数是最大化正确率R的期望：
由于目标函数不可微，根据强化学习准则可以得到
为了更方便的计算，对上式进行近似处理得到
虽然上式是梯度的无偏估计，但是其方差很高，因此修改后得到
这个b是一个参数 “b is an exponential moving average of the previous architecture accuracies”
2.1.3 并行和异步更新加速训练
由于NAS计算开销很大，为了更快的训练需要引入各种各样的方式去优化，并行和异步在NEURAL ARCHITECTURE SEARCH WITH REINFORCEMENT LEARNING中被提出，如图3所示。使用一组参数S服务器存储参数并将参数发送到K个控制器副本。 然后，每个控制器副本将对m种架构进行采样并并行运行多个子模型。 记录每个子模型的准确性计算相对于θc的梯度，然后将其发送回参数服务器。
2.1.4 Skip-connect 的生成
熟悉图像分类的都知道ResNet这种网络结构，通过skip-connect的连接方式缓解梯度爆炸或者消失。为了使得RNN控制器也可以生成这种网络结构，在2.1.1的基础之上增加了锚点。 在第N层，添加一个锚点，该锚点具有基于N -1个基于内容的Sigmoid函数，以指示之前需要连接的层，如图4所示。这种机制叫set-selection type attention。
引入skip-connect会因为feature map的维度不同导致一些问题，为了解决这些问题提出了一些预案：
- 如果这一层未连接到任何输入，则将原始图像用作输入。
- 在最后一层，我们将尚未连接的所有层输出连接起来，然后将其最终隐藏状态发送给分类器。
- 如果要拼接的feature map大小不同，我们将小层填充零，以便串联的层大小相同
2.1.5 RNN控制器结点架构
传统的RNN及其变形不适用于AutoML的任务，因此需要对其进行修改。作者提出了一种树形计算结构，有点类似tensorflow的计算图，通过对合并计算结点与数据生成一棵计算树,如图5所示。
2.2 NASNet Search Space
Learning Transferable Architectures for Scalable Image Recognition 在NAS的基础之上提出了一套新的搜索空间，而不是像NAS一样预测卷积操作的所有参数。取而代之的是预测各种网络架构。下面展示了在图像领域常用的各种网络层。
然后将它们分成两类 即Normal cell 和Reduction cell, 以CIFAR 10和ImageNet为例。 Normal cell表示计算后feature map的大小没有变化的cell，而Redcution cell表示经过计算后feature map大小发生变化的cell。
搜索方式也是一种类似计算树的方式，具体细节这里就不再展开了，有兴趣的读者可以去阅读原文。
3. 总结
AutoML生成的网络结构已经证实比现有人工设计的网络结构性能要好。但是其训练过程对设备要求较高，目前已经有很多公司提供了AutoML的学习框架了，如Auto Keras, Auto sklearn等。目前研究方向分为三大类：搜索方式，搜索空间和参数优化。