论文：Regularized Evolution for Image Classifier Architecture Search
Github:
https://github.com/tensorflow/tpu/tree/master/models/official/amoeba_net
https://tfhub.dev/google/imagenet/amoebanet_a_n18_f448/classification/1
论文贡献：
(1)提出了aging evolution 搜素算法
(2)将本文的aging evolution和reinforcement learning (RL)以及random search 进行了对比
(3)分享了最终训练处的模型，AmoebaNet-A ，最终在ImageNet分类任务上达到83.9% top-1 / 96.6% top-5 准确性。
Search Space ：
这里搜索空间采用NASNet 的搜索空间，网络结构为类似Inception的结构（左图）。
网络的第一个输入模块接收输入图片的2个copy，也就是接收2个同样的输入（右图），后续的模块都接收前面模块的输出和以shortcut形式的前前面模块的输入（中图）。
网络主要搜索2个模块，normal cell ，reduction cell（左图） 。其中normal cell级联的个数为N。卷积操作输出的滤波器个数为F。
Evolutionary Algorithm ：
训练过程中主要有2种参数的变化，hidden state mutation 和the op mutation 。
hidden state的变化表示连接路径的变化（上图）。
op的变化表示操作算子的变化（下图）。主要的op包括，none (identity)，3x3, 5x5 , 7x7 separable (sep.) convolutions (convs.)，3x3 average (avg.) pool，3x3 max pool，3x3 dilated (dil.) sep. Conv，1x7 then 7x1 conv 。
AmoebaNet-A网络结构：
实验结果：
aging evolution，reinforcement learning (RL)，random search对比
RS方法为一个baseline方法。RL方法计算量较大，精度和evolution相当。evolution搜索算法不管在时间消耗，计算量，准确性上都占有绝对的优势。
ImageNet分类准确性：
