[论文翻译]NasNet：学习可转移的架构来实现可扩展的图像识别

开发最新的图像分类模型通常需要大量的架构工程和调整。在本文中，我们尝试通过使用“神经体系结构搜索”来学习小型数据集上的建筑构造块（可转移到大型数据集）来减少建筑工程量。这种方法类似于学习循环网络中循环单元的结构。在我们的实验中，我们在CIFAR-10数据集上搜索最佳的卷积像元，然后通过将更多的该像元堆叠在一起，将该学习的像元应用于ImageNet数据集。尽管不能直接在ImageNet上学习该单元，但是从学习最多的单元构建的体系结构在ImageNet上的最新精度为82.3％top-1和96.0％top-5，与人类发明的最优架构相比，top-1精度提高了0.8％，而FLOPS却减少了90亿。该单元还可以按比例缩小两个数量级：由最佳单元构成的较小网络还可以实现74％的top-1精度，这比同等大小的最新移动模型高3.1％。