近年来我们不断见证了越来越强大的神经网络模型，如 AlexNet，VGG，GoogleNet，ResNet，DenseNet 以及最近大火的 Transformer 等。

这些神经网络使用的流程，基本可以概括为：1) 固定网络架构，初始化网络参数；2) 训练阶段：在训练集上优化网络参数；3) 推理阶段：固定网络架构与参数，输入测试样本进行前向传播，得到预测结果。

这种范式导致训练完成后，在测试阶段，对所有的输入样本，均采用相同的网络架构与参数进行推理。这在一定程度上限制了模型的表征能力、推理效率和可解释性。

一个非常明显的例子，如下图所示，对于常见的「马」或「猫头鹰」的图片，也许只需要一个小的网络便可以正确识别；然而对于「非经典」的「马」或「猫头鹰」的图片，则需要训练一个大的网络才能正确识别。

再例如，如下图所示，对一张包含「猫」的图片进行识别，我们可以看到，提高分辨率确实可以提高准确率，但同时也伴随着计算量的极速提升。人们自然期望是否可以在不严重影响准确率的情况下，降低输入样本的分辨率，从而来节省计算量。

将这一系列要求「自适应推理」的问题总结起来，便是所谓「动态神经网络」的研究范畴。

 

与静态网络不同的是，动态网络的本质在于，在处理不同测试样本时，能够动态地调节自身的结构/参数，从而在推理效率、表达能力、自适应性等方面展现出卓越的优势。

 

内容目录

一、神经网络，如何动起来？

    1）样本自适应动态网络

        动态结构

        动态参数

    2）空间自适应动态网络

        像素级

        区域级

        分辨率级

    3）时间自适应动态网络

二、六大开放问题

    1）结构设计；

    2）更多样任务下的适用性；

    3）实际效率与理论的差距；

    4）鲁棒性；

    5）可解释性；

    6）动态网络理论。

详细内容，请关注「智源社区」公众号：https://mp.weixin.qq.com/s/0nmfBKSmVyg1akCsIzH_UA