---
title: "神經網路架構搜尋（NAS）"
slug: nas
language: zh-TW
source: https://aiterms.tw/terms/nas
updated_at: 2026-06-27
tags: [AutoML, 深度學習, 最佳化, 模型訓練, source:ipas]
ipas_term: true
---

# 神經網路架構搜尋（NAS）

NAS 是一種自動化設計神經網路架構的技術，旨在減少人工設計的試錯成本，讓演算法自行尋找效能最佳的模型結構。

## 完整說明

神經網路架構搜尋是一種自動化機器學習技術，利用演算法探索並設計出高效神經網路結構，用於取代依賴人類專家直覺的試錯過程。它能夠在硬體限制下找出最佳網路拓撲，常見應用包括設計行動端輕量級模型，以及開發超越人工設計的頂尖影像與語言處理模型。

## iPAS 考試出題分析

屬於未分類考範圍。

## 常見問題

### 我是一個普通的資料科學家，沒有龐大的 GPU 叢集，還能使用 NAS 嗎？

可以的。雖然早期的 NAS 技術非常耗費算力，但隨著技術演進，現在有許多低運算成本的 NAS 方法。例如，基於梯度的可微架構搜尋（DARTs）可以在單張消費級 GPU 上於幾小時內完成。此外，許多開源框架（如 AutoKeras、NNI）已經封裝了成熟的演算法並提供友善 API，讓普通開發者也能在有限運算資源下，輕鬆享受自動化設計的優勢，不需具備龐大硬體設備。

### NAS 搜尋出來的網路架構通常長什麼樣子？人類能理解嗎？

NAS 搜尋出的網路架構往往打破人類常規邏輯。人類專家傾向設計整齊、對稱、有規律性重複模式的架構。然而，NAS 演算法純以效能導向，經常會搜尋出充滿不規則連接、混合多種尺寸卷積核且看起來極不對稱的細胞結構。雖然人類很難用直覺解釋為何這特定組合較好，但實驗證明，這些機器設計的非對稱結構在提取複雜特徵時，往往比人類設計的對稱結構更加高效與精準。

### NAS 與 AutoML 是一樣的東西嗎？

NAS 是 AutoML（自動化機器學習）的一個核心分支，但兩者並不等同。AutoML 涵蓋範圍更廣，目標是將機器學習全流程自動化，包含數據清洗、特徵工程、模型選擇、超參數優化以及模型部署。而 NAS 專注於解決 AutoML 中最困難的問題之一：自動設計神經網路的拓撲結構。簡而言之，NAS 是 AutoML 大家族中專精於深度學習架構設計的頂尖專家，兩者屬於包含關係。

---

來源：https://aiterms.tw/terms/nas
快查頁：https://aiterms.tw/terms/nas
最後更新：2026/06/27
深度解說：https://aiterms.tw/learning/what-is-nas