الصفحة الرئيسية>المتعلقة بالبرمجة>بايثون
تنزيل

رهيبة-أوتومل ونماذج الوزن

قائمة بأعمال السيارات عالية الجودة (الأحدث) ونماذج خفيفة الوزن بما في ذلك 1.) البحث عن العمارة العصبية ، 2.) هياكل خفيفة الوزن ، 3.) ضغط النماذج ، القياس الكمي والتسارع ، 4.) تحسين الفائقة ، 5.) هندسة الميزات الآلية .

يهدف هذا الريبو إلى توفير المعلومات لأبحاث السيارات (خاصة بالنسبة لنماذج الوزن الخفيف). مرحبًا بكم في العلاقات العامة في الأعمال (الأوراق ، المستودعات) التي تفتقدها الريبو.

1.) البحث عن العمارة العصبية

[أوراق]

التدرج:

  • عندما تلبي NAS المتانة: بحثًا عن بنيات قوية ضد هجمات الخصومة | [ CVPR 2020 ]

    • GMH14/Robnets | [Pytorch]

  • البحث عن الهندسة المعمارية العصبية القوية في أربع ساعات GPU | [ CVPR 2019 ]

    • DXY/GDAS | [Pytorch]

  • في أسرع وقت ممكن: البحث العمري ، الصلب والتقليم | [2019/04]

  • مسار واحد NAS: تصميم مقنعات فعالة للأجهزة في أقل من 4 ساعات | [2019/04]

    • dstamoulis/مسار واحد-ناس | [TensorFlow]

  • البحث التلقائي للعمارة العصبية التلافيفية عن تصنيف الصور تحت مشاهد مختلفة | [ IEEE Access 2019 ]

  • Sharpdarts: بحث أسرع وأكثر دقة في الهندسة المعمارية | [2019/03]

  • التعلم ضمنيًا CNNs المتكررة من خلال مشاركة المعلمات | [ ICLR 2019 ]

    • LOLEMACS/مشاركة ناعمة | [Pytorch]

  • البحث عن العمارة العصبية الاحتمالية | [2019/02]

  • Auto-DeepLab: البحث عن الهندسة العصبية الهرمية عن تجزئة الصور الدلالية | [2019/01]

  • SNAS: البحث عن العمارة العصبية العشوائية | [ ICLR 2019 ]

  • FBNET: تصميم أقناع فعال للأجهزة عبر البحث عن العمارة العصبية القابلة للتمييز | [2018/12]

  • تحسين العمارة العصبية | [ NIPS 2018 ]

    • Renqianluo/Nao | [TensorFlow]

  • السهام: البحث العمري القابل للتمييز | [2018/06]

    • Quark0/السهام | [Pytorch]
    • Khanrc/pt.darts | [Pytorch]
    • Dragen1860/Darts-Pytorch | [Pytorch]

التعلم التعزيز:

  • البحث التلقائي القائم على القالب من بنيات التجزئة الدلالية المدمجة | [2019/04]

  • فهم تقنيات البحث في العمارة العصبية | [2019/03]

  • سريع ودقيق وخفيف الدقة مع البحث عن العمارة العصبية | [2019/01]

    • falsr/falsr | [TensorFlow]

  • التطور المقوى متعدد الأهداف في البحث عن العمارة العصبية المتنقلة | [2019/01]

    • Moremnas/Moremnas | [TensorFlow]

  • Proxylessnas: البحث المباشر في العمارة العصبية على المهمة المستهدفة والأجهزة | [ ICLR 2019 ]

    • MIT-HAN-LAB/Proxylessnas | [Pytorch ، TensorFlow]

  • نقل التعلم مع السيارات العصبية | [ NIPS 2018 ]

  • تعلم بنية قابلة للتحويل للتعرف على الصور القابلة للتطوير | [2018/07]

    • Wandering007/nasnet-pytorch | [Pytorch]
    • TensorFlow/Models/Research/Slim/Nets/Nasnet | [TensorFlow]

  • MNASNET: منصة واعية للعمارة العصبية البحث عن الهاتف المحمول | [2018/07]

    • Anjiezheng/mnasnet-pytorch | [Pytorch]

  • العمليات العملية الشبكة العصبية الحكيمة جيل | [ CVPR 2018 ]

  • البحث الفعال في العمارة العصبية عبر مشاركة المعلمة | [ ICML 2018 ]

    • Melodyguan/enas | [TensorFlow]
    • carpedm20/enas-pytorch | [Pytorch]

  • البحث الفعال في الهندسة المعمارية عن طريق تحويل الشبكة | [ AAAI 2018 ]

الخوارزمية التطورية:

  • مسار واحد البحث عن العمارة العصبية واحدة مع أخذ عينات موحدة | [2019/04]

  • Detnas: البحث العمري العصبي على الكشف عن الكائن | [2019/03]

  • المحول المتطور | [2019/01]

  • تصميم الشبكات العصبية من خلال التثبيت العصبي | [ Nature Machine Intelligence 2019 ]

  • EAT-NAS: نقل العمارة المرنة لتسريع البحث عن العمارة العصبية على نطاق واسع | [2019/01]

  • بحث فعال في العمارة العصبية متعددة الأهداف عبر Lamarckian Evolution | [ ICLR 2019 ]

SMBO:

  • MFAs: البحث العمري في الانصهار متعدد الوسائط | [ CVPR 2019 ]

  • DPP-NET: البحث التدريجي الوعي بالجهاز عن البنية العصبية المثلية | [ ECCV 2018 ]

  • البحث العمري العصبي التقدمي | [ ECCV 2018 ]

    • TITU1994/Progressive-Neural-Architecture-Search | [Keras ، TensorFlow]
    • Chenxi116/pnasnet.pytorch | [Pytorch]

البحث العشوائي:

  • استكشاف الشبكات العصبية السلكية عشوائيا للتعرف على الصور | [2019/04]

  • البحث عن بنية متعددة النطاق فعالة للتنبؤ بالصور الكثيفة | [ NIPS 2018 ]

Hypernetwork:

  • الرسم البياني Hypernetworks للبحث عن العمارة العصبية | [ ICLR 2019 ]

تحسين بايزي:

  • النقل الاستقرائي لتحسين العمارة العصبية | [2019/03]

ترتيب جزئي التقليم

  • ترتيب جزئي التقليم: للحصول على أفضل سرعة/دقة المفاضلة في البحث العمري العصبي | [ CVPR 2019 ]
    • lixincn2015/ترتيب الجزئي | [الكافيين]

تقطير المعرفة

  • تحسين مصنفات صور البحث عن الهندسة العصبية عبر التعلم الفرقة | [2019/03]

[المشاريع]

  • Microsoft/NNI | [بيثون]
  • Mindsdb | [بيثون]

2.) الهياكل خفيفة الوزن

[أوراق]

تصنيف الصور:

  • كفاءة: إعادة التفكير في تحجيم النموذج للشبكات العصبية التلافيفية | [ ICML 2019 ]

    • TensorFlow/TPU/النماذج/الرسمية/الكفاءة/| [TensorFlow]
    • lukemelas/effficnet-pytorch | [Pytorch]

  • البحث عن mobilenetv3 | [2019/05]

    • Kuan-Wang/Pytorch-Mobilenet-V3 | [Pytorch]
    • LeaderJ1001/Mobilenetv3-Pytorch | [Pytorch]

التجزئة الدلالية:

  • CGNET: سياق خفيفة الوزن شبكة موجهة للتجزئة الدلالية | [2019/04]

    • Wutianyirosun/cgnet | [Pytorch]

  • ESPNETV2: شبكة عصبية تلغيرات خفيفة الوزن ، وفعالة للطاقة ، والأغراض العامة | [2018/11]

    • Sacmehta/ESPNETV2 | [Pytorch]

  • ESPNET: هرم مكاني فعال من الملاحظات المتوسعة للتجزئة الدلالية | [ ECCV 2018 ]

    • sacmehta/espnet | [Pytorch]

  • Bisenet: شبكة تجزئة ثنائية للتجزئة الدلالية في الوقت الحقيقي | [ ECCV 2018 ]

    • Ooooverflow/bisenet | [Pytorch]
    • ycszen/torchseg | [Pytorch]

  • Erfnet: Convalual Convalual Sential Factive Convnet للتجزئة الدلالية في الوقت الفعلي | [ T-its 2017 ]

    • eromera/erfnet_pytorch | [Pytorch]

اكتشاف الكائن:

  • Thundernet: نحو اكتشاف الكائن العام في الوقت الحقيقي | [2019/03]

  • تجميع شبكة الهرم للكشف عن الكائن | [2018/09]

    • TensorFlow/Models | [TensorFlow]

  • Tiny-Dsod: اكتشاف الكائنات خفيفة الوزن للاستخدامات المقيدة للموارد | [ BMVC 2018 ]

    • Lyxok1/tiny-dsod | [الكافيين]

  • بيلي: نظام اكتشاف الكائنات في الوقت الحقيقي على الأجهزة المحمولة | [ Neurips 2018 ]

    • روبرت جونوانج/بيلي | [الكافيين]
    • روبرت جونوانغ/بيلينت | [Pytorch]

  • حقل الحقل تقبلا شبكة لتكشف الكائن الدقيق والسريع | [ ECCV 2018 ]

    • Ruinmessi/rfbnet | [Pytorch]
    • Shuangxieiren/ssds.pytorch | [Pytorch]
    • LZX1413/PYTORCHSSD | [Pytorch]

  • FSSD: ميزة Fusion Single Shot Multibox Detector | [2017/12]

    • Shuangxieiren/ssds.pytorch | [Pytorch]
    • LZX1413/PYTORCHSSD | [Pytorch]
    • dlyldxwl/fssd.pytorch | [Pytorch]

  • ميزة شبكات الهرم للكشف عن الكائن | [ CVPR 2017 ]

    • TensorFlow/Models | [TensorFlow]

3.) ضغط النموذج والتسارع

[أوراق]

تشذيب:

  • فرضية تذكرة اليانصيب: العثور على الشبكات العصبية المتفرقة القابلة للتدريب | [ ICLR 2019 ]

    • Google-Research/Lottery-ticket-hypothesis | [TensorFlow]

  • إعادة التفكير في قيمة تقليم الشبكة | [ ICLR 2019 ]

  • شبكات عصبية قابلة للضمير | [ ICLR 2019 ]

    • jiahuiyu/slimmable_networks | [Pytorch]

  • AMC: Automl لضغط النموذج والتسارع على الأجهزة المحمولة | [ ECCV 2018 ]

    • Automl لضغط النموذج (AMC): التجارب والمحن | [Pytorch]

  • تعلم الشبكات التلافيفية الفعالة من خلال التخسيس الشبكة | [ ICCV 2017 ]

    • Foolwood/Pytorch-slimming | [Pytorch]

  • تشذيب قناة لتسريع الشبكات العصبية العميقة جدا | [ ICCV 2017 ]

    • yihui-he/قناة الترشيح | [الكافيين]

  • تقليم الشبكات العصبية التلافيفية لاستدلال كفاءة الموارد | [ ICLR 2017 ]

    • Jacobgil/Pytorch-pruning | [Pytorch]

  • تقليم المرشحات لاقتناع كفاءة | [ ICLR 2017 ]

الكمية:

  • فهم المقدر المباشر في تنشيط التدريب الكمي الشباك العصبية | [ ICLR 2019 ]

  • كمية وتدريب الشبكات العصبية لاستنتاج عدد صحيح فعال فقط | [ CVPR 2018 ]

  • كمية الشبكات التلافيفية العميقة للاستدلال الفعال: ورقة بيضاء | [2018/06]

  • اتفاق: تنشيط القطع المعلمة للشبكات العصبية الكمية | [2018/05]

  • بعد التدريب 4 بت من شبكات الالتواء من أجل النشر السريع | [ ICML 2018 ]

  • WRPN: شبكات الدقة المنخفضة على نطاق واسع | [ ICLR 2018 ]

  • تقدير الشبكة الإضافية: نحو CNNs بدون خسارة مع أوزان منخفضة الدقة | [ ICLR 2017 ]

  • Dorefa-Net: تدريب الشبكات العصبية التلافيفية منخفضة Bitwidth مع تدرجات BitWidth منخفضة | [2016/06]

  • تقدير التدرجات أو نشرها من خلال الخلايا العصبية العشوائية للحساب الشرطي | [2013/08]

تقطير المعرفة

  • المتدرب: استخدام تقنيات تقطير المعرفة لتحسين دقة الشبكة منخفضة الدقة | [ ICLR 2018 ]

  • ضغط النموذج عن طريق التقطير والتكميلية | [ ICLR 2018 ]

تسريع:

  • خوارزميات سريعة للشبكات العصبية التلافيفية | [ CVPR 2016 ]
    • Andravin/Wincnn | [بيثون]

[المشاريع]

  • Nervanasystems/distiller | [Pytorch]
  • tencent/pocketflow | [TensorFlow]
  • Aaron-Xichen/Pytorch-Playground | [Pytorch]

[دروس/مدونات]

  • تقديم تحدي الذكاء البصري على الجهاز CVPR 2018

4.) تحسين الفائقة

[أوراق]

  • ضبط المداخلات الفائقة بدون طلاب الدراسات العليا: التحسين القابل للتطوير والقوي بايزي مع Dragonfly | [2019/03]

    • اليعسوب/اليعسوب

  • تحسين الأبعاد عالية الأبعاد مع الإضافة وميزات فورييه في التربيع | [ Neurips 2018 ]

  • Google Vizier: خدمة لتحسين الصندوق الأسود | [ SIGKDD 2017 ]

  • على التحسين المفرط لخوارزميات التعلم الآلي: النظرية والممارسة | [ الحوسبة العصبية 2020 ]

    • LIYANGHART/HYPERAMETER-OPTIMINGER-OF-MACHINE-LEAR-ALGORITHMS

[المشاريع]

  • Botorch | [Pytorch]
  • الفأس (منصة التجريب التكيفي) | [Pytorch]
  • Microsoft/NNI | [بيثون]
  • اليعسوب/اليعسوب | [بيثون]
  • LiyAnghart/Hyperparameter-Optimization-Of-Machine-Learning-Algorithms | [بيثون]

[دروس/مدونات]

  • ضبط الفائقة في محرك التعلم الآلي السحابي باستخدام تحسين بايزي

  • نظرة عامة على تحسين بايزي

  • تحسين بايزي

    • Krasserm/Bayesian-Machine-Learning | [بيثون]

5.) هندسة الميزات الآلية

محلل النموذج

  • Netscope CNN Alalzer | [الكافيين]

  • SKSQ96/Pytorch-Summary | [Pytorch]

  • Lyken17/Pytorch-Opcounter | [Pytorch]

  • sovrasov/flops-counter.pytorch | [Pytorch]

مراجع

  • الأدب عن البحث عن العمارة العصبية
  • Handong1587/handong1587.github.io
  • Hibayesian/Awesome-Automl-Papers
  • Mrgloom/تجميع رهيبة-الاندماج
  • Amusi/Awesome-Object-Detection
يوسع
معلومات إضافية
تطبيقات ذات صلة
نوصي لك
أخبار ذات صلة الكل