ENAS和DARTs的比较

ENAS（Efficient Neural Architecture Search）和DARTS（Differentiable Architecture Search）都是神经架构搜索（NAS）的有效方法，目标是自动化地找到高性能的神经网络结构。尽管它们都旨在解决NAS的计算成本问题，但它们的思路和技术实现有所不同。下面我们详细探讨它们的主要区别。

1. 搜索空间的定义方式

ENAS：ENAS通过共享参数的方式，将架构搜索过程简化成一个单一的训练过程。在ENAS中，所有子网络共享相同的参数，因此在搜索阶段不需要为每个候选网络重新训练。具体来说，ENAS将整个搜索空间表示为一个大型图结构，每条边代表一个操作（如卷积、池化等），每个路径表示一个子网络。ENAS通过控制器（通常是一个RNN）来选择图中的路径，从而定义一个特定的子网络架构。

DARTS：DARTS使用一种连续松弛的策略，将架构搜索转化为一个可微分的优化问题。DARTS通过“混合操作”的方式，让每一条边都包含所有候选操作，并对这些操作分配一个权重。通过对这些权重进行微分优化，DARTS逐步确定最优的架构参数。最终架构是通过选取每条边上最优的操作来确定的，因此DARTS无需像ENAS一样训练控制器，而是直接通过梯度优化找到最佳架构。

2. 搜索与优化方法

ENAS：ENAS使用强化学习来搜索架构。它包含两个部分：一个控制器网络和一个共享的权重网络。控制器通过强化学习来选择子网络的架构，并基于子网络的性能来更新控制器。这样可以保证控制器在搜索时不断改进生成的架构质量。同时，由于权重共享，ENAS无需为每个子网络重新训练权重，这显著加快了搜索过程。

DARTS：DARTS的优化方法基于梯度下降，属于一种微分架构搜索方法。它将架构参数和模型权重都作为优化变量，通过双层优化（bilevel optimization）来联合优化架构和模型权重。DARTS的梯度优化过程使其不需要强化学习，从而大幅度减少了计算时间，并且相较于ENAS具有更稳定的优化效果。

3. 参数共享方式

ENAS：在ENAS中，所有候选子网络共享同一个参数集，因此在每次采样子网络时，它们的参数均是从同一个大网络中继承的。这种权重共享方式可以大大减少计算资源，因为只需训练一个大的网络而不需要单独训练每个候选架构。然而，这种权重共享可能会引入“架构权重干扰”问题，不同的子网络可能会相互干扰，影响最终的性能。

DARTS：DARTS并没有采用ENAS的完全权重共享方式，而是通过一种“混合操作”的方式进行优化。DARTS在每个节点的边上同时应用所有候选操作，并通过权重来控制每个操作的影响。这种连续松弛的方法使得DARTS能够在整个搜索过程中保留更多的架构信息，并且不同的操作不会像ENAS那样因为权重共享产生干扰。

4. 搜索效率和计算开销

ENAS：ENAS通过强化学习和权重共享显著降低了计算开销，使得NAS的搜索效率大大提高。相比于传统的NAS方法，ENAS在单一GPU上就可以在较短时间内完成搜索。它在复杂度和性能之间做了一定的折衷，通过共享权重来节省资源，但也因此可能导致架构性能不如独立训练。

DARTS：DARTS通过梯度优化实现了高效的架构搜索，避免了强化学习的计算成本。DARTS将搜索空间连续化，使得架构搜索可以通过微分操作完成，从而在资源开销上比传统的NAS方法低很多。DARTS还避免了ENAS中可能出现的权重干扰问题，但其双层优化带来的计算复杂度依然较高，尤其是当搜索空间较大时。

5. 搜索结果的确定性

ENAS：ENAS的搜索过程是基于强化学习的，由于随机性因素的影响，最终的架构不一定是唯一确定的，每次运行ENAS可能会产生不同的结果。

DARTS：DARTS通过梯度下降直接优化架构参数，其结果通常更具确定性。因为DARTS的架构参数优化是基于梯度的，具有相对稳定的收敛效果，因此多次运行DARTS往往会得到较为一致的架构结果。

总结

总结来说，ENAS通过强化学习和权重共享大幅降低了NAS的计算需求，适合在资源有限的场景下快速进行架构搜索；而DARTS则通过连续松弛和梯度优化实现了稳定的架构搜索，更适合在对架构稳定性和性能要求较高的应用场景中使用。