在该研究中，来自 FAIR 的研究人员谢赛宁、Alexander Kirillov 、Ross Girshick 与何恺明通过随机神经网络连接的方式探索了比此前神经架构搜索更为广泛的连接形式，并实现了很好的效果。RandWireNN Abstract 用于图像识别的神经网络经过广泛的手工设计，从简单的链状模型发展到具有多条路径的结构。ResNets[11]和DenseNets[16]的成功

核心：设计单个网络到设计网络生成器的新转变是可能的，类似于我如何从设计特征转变到设计学习特征的网络。 Abstract: 用于图像分类的神经网络通过大量的手动设计从链式模型发展到了有多种有线路径的结构。比如，ResNets和DenseNets的成功很大程度上归因于他们的创新性的连线方式。现在，神经架构搜索NAS也在探索连线和操作的联合优化，但是可能的连线空间是有限的而且还是由手工设计驱动

实验代码github:https://github.com/teganmaharaj/zoneout 摘要 我们提出了zoneout，这是一种用于正则化RNN的新方法。 在每个时刻，zoneout随机地令某些隐藏单元保持其上一时刻的值。像dropout一样，zoneout使用随机噪声来训练伪集合，从而改善泛化。并且，通过保留而不是丢弃隐藏单元，梯度信息和状态信息更容易通过时间传播，如在前馈随机