docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,173 @@
|
||||
---
|
||||
id: wiki-2026-0508-neural-architecture-search-nas
|
||||
title: Neural Architecture Search (NAS)
|
||||
status: verified
|
||||
canonical_id: wiki-2026-0508-neural-architecture-search-nas
|
||||
aliases: [NAS, AutoML-NAS, Architecture Search]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [automl, nas, deep-learning, architecture, optimization]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack: [python, pytorch, nni, autokeras]
|
||||
---
|
||||
|
||||
# Neural Architecture Search (NAS)
|
||||
|
||||
## 한 줄 정의
|
||||
|
||||
신경망 **아키텍처 자체를 자동 탐색**해 정확도·지연시간·파라미터 같은 목적함수를 최적화하는 AutoML 분야. 2017–2020년 비전 분야 SOTA를 갱신했지만, 2022+ Transformer/Foundation 모델 표준화 이후 **연구 활성도는 감소**, 현재는 edge·MoE·LLM 변형 설계 등 특정 영역에 잔존한다.
|
||||
|
||||
## 핵심
|
||||
|
||||
### 3대 구성요소 (Elsken 2019 정리)
|
||||
|
||||
1. **Search space**: 후보 연산(conv 3×3, depthwise, identity 등)과 토폴로지.
|
||||
2. **Search strategy**: RL, evolution, gradient(DARTS), Bayesian.
|
||||
3. **Performance estimation**: 짧은 학습, weight sharing, predictor.
|
||||
|
||||
### 대표 방법
|
||||
|
||||
- **NASNet (2017)**: RL controller로 cell 검색. GPU 수천 일 필요.
|
||||
- **ENAS (2018)**: parameter sharing → 1 GPU 일.
|
||||
- **DARTS (2019)**: 연속 완화 + gradient. **NAS 대중화의 분기점**.
|
||||
- **ProxylessNAS (2019)**: 타겟 hardware latency 직접 최적화.
|
||||
- **Once-for-All (2020)**: 한 번 학습 → 다양한 sub-network 추출 (edge).
|
||||
- **EfficientNet 계열**: NAS+compound scaling.
|
||||
- **Zero-cost NAS (2021+)**: 학습 없이 proxy score (synflow, jacov).
|
||||
|
||||
### 2024–2026 현황
|
||||
|
||||
- 비전: ConvNeXt/MAE 등 hand-design + 사전학습이 주류.
|
||||
- LLM: 사실상 dense Transformer 표준 → NAS는 **MoE routing, KV cache 구조, 효율 attention** 등 부분 검색에 한정.
|
||||
- **Edge / NPU**: TFLite/CoreML 타겟 latency-aware NAS는 여전히 유용.
|
||||
- **AutoML 도구화**: AutoKeras, NNI, Vertex AI Neural Architecture Search.
|
||||
|
||||
### 응용
|
||||
|
||||
모바일 비전 모델(MobileNetV3, EfficientNet-Lite), 의료 영상 백본 검색, NPU 최적화, 작은 LLM 변형 (헤드 수·차원 검색).
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Search space 정의 (간이 cell)
|
||||
|
||||
```python
|
||||
OPS = ["conv3x3", "conv5x5", "dwconv3x3", "max_pool3x3", "identity", "skip"]
|
||||
|
||||
def sample_cell(n_nodes=4):
|
||||
return [(prev_idx, op) for prev_idx in range(n_nodes)
|
||||
for op in [random.choice(OPS)]]
|
||||
```
|
||||
|
||||
### DARTS — α 학습 (개념 코드)
|
||||
|
||||
```python
|
||||
class MixedOp(nn.Module):
|
||||
def __init__(self, C):
|
||||
super().__init__()
|
||||
self.ops = nn.ModuleList([build_op(o, C) for o in OPS])
|
||||
self.alpha = nn.Parameter(torch.zeros(len(OPS)))
|
||||
|
||||
def forward(self, x):
|
||||
w = F.softmax(self.alpha, dim=-1)
|
||||
return sum(w[i] * op(x) for i, op in enumerate(self.ops))
|
||||
|
||||
# 1차 근사 학습 루프
|
||||
for x_t, y_t, x_v, y_v in loader_pair:
|
||||
loss_w = ce(model(x_t), y_t); loss_w.backward(); opt_w.step(); opt_w.zero_grad()
|
||||
loss_a = ce(model(x_v), y_v); loss_a.backward(); opt_a.step(); opt_a.zero_grad()
|
||||
|
||||
best_op_per_edge = [OPS[m.alpha.argmax().item()] for m in mixed_ops]
|
||||
```
|
||||
|
||||
### Evolutionary search (간단)
|
||||
|
||||
```python
|
||||
def evolve(pop, fitness, gens=20, k=5):
|
||||
for _ in range(gens):
|
||||
scored = sorted(pop, key=fitness, reverse=True)
|
||||
parents = scored[:k]
|
||||
children = [mutate(random.choice(parents)) for _ in range(len(pop)-k)]
|
||||
pop = parents + children
|
||||
return scored[0]
|
||||
```
|
||||
|
||||
### Hardware-aware loss (ProxylessNAS 류)
|
||||
|
||||
```python
|
||||
loss = ce(logits, y) + lam * predicted_latency(arch_params)
|
||||
```
|
||||
|
||||
### Zero-cost proxy (synflow)
|
||||
|
||||
```python
|
||||
def synflow(model, x):
|
||||
for p in model.parameters():
|
||||
p.data = p.data.abs()
|
||||
out = model(x).sum()
|
||||
out.backward()
|
||||
score = sum((p * p.grad).sum().item() for p in model.parameters() if p.grad is not None)
|
||||
return score
|
||||
```
|
||||
|
||||
### NNI 사용 예 (현실적 default)
|
||||
|
||||
```python
|
||||
# search_space.json 정의 후
|
||||
import nni
|
||||
from nni.experiment import Experiment
|
||||
exp = Experiment("local")
|
||||
exp.config.search_space = json.load(open("search_space.json"))
|
||||
exp.config.trial_command = "python train.py"
|
||||
exp.config.trial_concurrency = 4
|
||||
exp.config.tuner.name = "TPE"
|
||||
exp.run(8080)
|
||||
```
|
||||
|
||||
## 결정 기준
|
||||
|
||||
| 상황 | 추천 |
|
||||
|---|---|
|
||||
| compute 풍부, 연구용 | DARTS / Evolutionary |
|
||||
| 작은 GPU 1대 | DARTS / ENAS |
|
||||
| Edge / mobile latency 목표 | **ProxylessNAS, Once-for-All** |
|
||||
| 빠른 baseline | hand-design + 사전학습 (EfficientNet, ConvNeXt) |
|
||||
| LLM 사전학습 | NAS 비추 — 표준 Transformer 사용 |
|
||||
| 빠른 평가 | Zero-cost proxy + top-k 재학습 |
|
||||
| 실서비스 자동화 | NNI / Vertex NAS |
|
||||
|
||||
기본값: **사전학습 backbone 사용**. NAS는 **edge latency 제약** 또는 **search space가 도메인-specific** 일 때 검토.
|
||||
|
||||
## 🔗 Graph
|
||||
|
||||
- 부모: [[AutoML]] · [[Deep Learning]] · [[Hyperparameters|Hyperparameter-Optimization]]
|
||||
- 응용: [[EfficientNet]] · [[Edge-AI]]
|
||||
- Adjacent: [[Mixture-of-Experts]] · [[LLM_Optimization_and_Deployment_Strategies|Knowledge-Distillation]] · [[LLM_Optimization_and_Deployment_Strategies|Quantization]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
|
||||
**언제**: search space 설계 brainstorm, DARTS α 해석 sanity check, 논문 비교 요약, NNI/AutoKeras config 작성.
|
||||
|
||||
**언제 X**: 실제 NAS 결과를 LLM 직관으로 대체 — 최종 아키텍처는 검증 데이터로 측정 필요. compute 비용 추정도 실측 우선.
|
||||
|
||||
## ❌ 안티패턴
|
||||
|
||||
- DARTS의 weight sharing 편향(skip connection 폭주) 무시.
|
||||
- 검증셋이 search 와 final 학습에 모두 노출 → 결과 과대평가.
|
||||
- 단일 GPU·짧은 epoch 추정으로 최종 성능 결정 — 재학습 필수.
|
||||
- 하드웨어 latency 측정 없이 "FLOPs만" 최적화 → 실기기 속도와 괴리.
|
||||
- 2026년에 LLM 사전학습용 NAS 시도 — 비용·표준화 문제로 ROI 낮음.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
|
||||
Verified source: Elsken et al. *NAS Survey* (2019), Liu et al. *DARTS* (2019), Cai et al. *ProxylessNAS / OFA*, Microsoft NNI 문서, Google Vertex AI NAS docs, recent zero-cost NAS surveys (2022–2024). 신뢰도 A.
|
||||
|
||||
중복 없음. [[AutoML]] 은 부모, [[Hyperparameters|Hyperparameter-Optimization]] 은 형제 개념.
|
||||
|
||||
## 🕓 Changelog
|
||||
|
||||
- 2026-05-08 Phase 1 — 초기 stub.
|
||||
- 2026-05-10 Manual cleanup — FULL canonical 재작성. DARTS/ProxylessNAS/OFA/zero-cost 코드 6개, 2024–2026 현황(사용 빈도 감소) 반영.
|
||||
Reference in New Issue
Block a user