本文就Search Space、Search strategy、Performance Estination Strategy三个方面对NeUral Network Search(NAS)的发展进行阐述。
Search Space用来定义网络的表达形式，而Search Strategy则根据定义以及一定的策略构建出某种模型，然后Performance Estimation Strategy将对生成的模型进行判断，然后将判断的结果反馈给Search Strategy，Search Strategy根据反馈重新生成模型，以此迭代下去直到找到满足要求的模型结构，三者的关系如下图所示。
1 Search Space
Search Space就是指需要寻找的Network该以何种形式表达。下面分别介绍都具有哪些表达方式
1.1 链式结构神经网络（Chain structured neural network）
比较简单的Space是链式结构神经网络（Chain structured neural network），这种结构也就是常见的神经网络结构，就如同搭积木一般，越搭越深。这种Space主要由以下结构组成。
- 最大的层数l（当然也可能没有限制）
- 每层执行的操作（operation），如Pooling、convolution、depthwise separable Convolution、dilated convolution
- 与每层所执行的operation相关的超参数，如filter size、filter num
1.2 Cell structured neural network
如今很多寻找模型的方法很多借鉴了人类构建模型（如Residual Network、DenseNet）的思路。
还有的人为设计的模型采取的策略是重复一些motifs，受到这一做法的启发，Zoph et al.(2018) Zhong et al.(2018a)将那些重复的motif称为cells或者blocks，所以模型搜索就简化成了对cell的搜索。
Zoph et al.(2018)将cell划分为两类：normal cell用来保存输入的维度，reduction cell用于降低空间维度。最终的示意图如下：
相比于直接搜索整体网络结构，搜索cell有两个好处：一是搜索空间可以小很多，而是搜索得到的cell能够很容易迁移到其他数据集，例如 Zoph et al.(2018)就将运用在CIFAR10上的cell迁移到了ImageNet上，而且表现不凡。
当然，虽然cell找到了，但是网络还是没有搭建起来，所以关于如何将这些找到的cell结合构建得到网络涉及两个问题：一是cell数量如何确定，二是cell连接方式如何选择。
上述的两个问题是个值得思考的方向，另外基于cell的网络构建方式存在这些问题：一是网络是不连续的，二是得到的网络结构参数相对来说是高维的，因为要想表现更加，一般而言就需要构建的更加复杂，因此设计网络时的选择也就更多。
2 搜索策略（Search Strategy）
Search Strategy主要包括以下方法：random search(RS)、Bayesian optimization、evolutionary methods、reinforcement learning(RL)、gradient-based methods。
进化算法在几十年前就已经用来进化神经网络（Evolving artificial neural network）了，Evolving artificial neural network对2000年以前的进化算法作了literature review，可以参考查阅。