NASNet (Neural Architecture Search Network), derin sinir ağı mimarilerinin insan müdahalesi olmadan otomatik olarak tasarlanmasını sağlayan Neural Architecture Search (NAS) yaklaşımıyla oluşturulmuş bir sinir ağı ailesidir. Google Brain tarafından geliştirilen NASNet modelleri, geleneksel elle tasarlanmış mimarileri geride bırakan performanslara ulaşmıştır. Bu mimari, özellikle sınıflandırma ve nesne tespiti gibi görsel görevlerde yüksek doğruluk elde etmek üzere optimize edilmiştir.

Neural Architecture Search (NAS) Yaklaşımı

Neural Architecture Search (NAS), makine öğrenmesi algoritmalarının, belirli bir görev için en iyi sinir ağı yapısını otomatik olarak bulmasını amaçlayan bir yöntemdir. NASNet mimarisi, bu yaklaşımın başarılı bir uygulamasıdır.

Arama Uzayı (Search Space)

NASNet’te arama işlemi, doğrudan tüm ağı optimize etmek yerine, daha küçük yapı taşları olan hücreler (cells) üzerinde gerçekleştirilir. Bu yapı taşları daha sonra daha büyük bir model oluşturmak için birbirine bağlanır.

• Normal hücre (Normal cell): Giriş verisini boyutu değiştirmeden işler.
• Azaltıcı hücre (Reduction cell): Özellik haritasının boyutunu düşürür, böylece soyutlama seviyesi artar.

NASNet'in Optimizasyonu

Arama işlemi için genellikle Reinforcement Learning (Pekiştirmeli Öğrenme) veya Evolutionary Algorithms (Evrimsel Algoritmalar) kullanılır. NASNet mimarisi, arama işlemini düşük çözünürlüklü veri üzerinde gerçekleştirir ve elde edilen hücre yapıları, daha büyük ve yüksek çözünürlüklü modellere transfer edilir.

^{CIFAR-10 ile tanımlanan B = 5 bloklu en iyi evrişimsel hücrelerin (NASNet-A) mimarisi (Akademik Yayın)}

NASNet mimarisinde, arama uzayında keşfedilen hücreler çok sayıda tekrar edilerek derin bir ağ mimarisi oluşturulur.

NASNet Mimarisinin Yapısı

NASNet modelleri, farklı boyutlarda ve işlem kaynaklarına uygun şekilde ölçeklenebilir. Bu da mimariyi hem mobil cihazlar hem de yüksek kapasiteli sunucular için uygun hale getirir.

NASNet-A , NASNet-B ve NASNet-C

• NASNet-A: En başarılı hücre mimarilerini içerir. Genellikle ImageNet gibi büyük veri kümeleri için kullanılır.
• NASNet-B: A ve C varyantları arasında arada kalan ikinci en iyi hücredir. Performans ve verimlilik arasında bir denge kurar
• NASNet-C: Daha düşük hesaplama maliyeti gerektiren durumlar için önerilir.

Transfer Edilebilirlik

NASNet'te keşfedilen hücreler, farklı veri kümelerine transfer edilebilir şekilde tasarlanmıştır. Örneğin, CIFAR-10 veri setinde aranan hücre yapıları, daha sonra ImageNet gibi büyük veri setlerine başarıyla uygulanabilir.

NASNet'in Avantajları

• Performans: ImageNet üzerinde, NASNet-A modeli %82.7 doğrulukla üst düzey performans göstermiştir.
• Otomasyon: İnsan müdahalesi olmadan üstün mimari tasarımı.
• Uyarlanabilirlik: Mobil ve bulut ortamlarına uyarlanabilir ölçeklenebilir yapı.

Kullanım Alanları

• Görüntü sınıflandırma
• Nesne tespiti (özellikle COCO veri kümesi)
• Segmentasyon
• Otomatik mimari tasarımı için araştırma platformları