AutoDL Projects
1.0.0
تعد مشاريع التعلم العميق الآلي (AutoDL-Projects) مشروعًا مفتوحًا وخفيف الوزن ، ولكنه مفيد للجميع. نفذ هذا المشروع العديد من خوارزميات البحث عن الهندسة العصبية (NAS) وخوارزميات تحسين المعلمة (HPO). 中文介绍见 readme_cn.md
من يجب أن يفكر في استخدام المشاريع التلقائية
لماذا يجب أن نستخدم المشاريع التلقائية
في هذه اللحظة ، يوفر هذا المشروع الخوارزميات والبرامج النصية التالية لتشغيلها. يرجى الاطلاع على التفاصيل الواردة في الرابط المقدم في عمود الوصف.
| يكتب | ABBRV | الخوارزميات | وصف |
|---|---|---|---|
| ناس | تاس | تشذيب الشبكة من خلال البحث عن الهندسة المعمارية القابلة للتحويل | Neups-2019-tas.md |
| السهام | السهام: البحث العمري القابل للتمييز | ICLR-2019-darts.md | |
| GDAs | البحث عن الهندسة المعمارية العصبية القوية في أربع ساعات معالجة الرسومات | CVPR-2019-GDAS.MD | |
| setn | البحث عن الهندسة العصبية ذات اللقطة الواحدة عبر شبكة القالب المعتمدة ذاتيا | ICCV-2019-SETN.MD | |
| NAS-BENCH-2010 | NAS-BENCH-2010: تمديد نطاق البحث في العمارة العصبية القابلة للتكرار | NAS-BENCH-201.MD | |
| Nats-bench | Nats-Bench: قياس خوارزميات NAS لتجميع وحجم العمارة | Nats-bench.md | |
| ... | enas / rea / تعزيز / bohb | يرجى التحقق من الأوراق الأصلية | NAS-BENCH-201.MD NATS-BENCH.MD |
| HPO | HPO-CG | تحسين الفائقة مع التدرج التقريبي | قريباً |
| أساسي | Resnet | تصنيف الصور القائم على التعلم العميق | الأساس |
بادئ ذي بدء ، يرجى استخدام pip install . لتثبيت مكتبة xautodl .
يرجى تثبيت Python>=3.6 و PyTorch>=1.5.0 . (يمكنك استخدام إصدارات أقل من Python و Pytorch ، ولكن قد يكون لها أخطاء). قد تتطلب بعض رموز التصور opencv .
يجب تنزيل Cifar و ImageNet واستخلاصه إلى $TORCH_HOME . تستخدم بعض الطرق تقطير المعرفة (KD) ، والتي تتطلب نماذج تدريب مسبقًا. يرجى تنزيل هذه النماذج من Google Drive (أو تدريب بنفسك) والحفظ في .latent-data .
الرجاء استخدام
git clone --recurse-submodules https://github.com/D-X-Y/AutoDL-Projects.git XAutoDL
لتنزيل هذا الريبو مع النسيج الفرعي.
إذا وجدت أن هذا المشروع يساعد بحثك ، فيرجى التفكير في الاستشهاد بالورقة ذات الصلة:
@inproceedings{dong2021autohas,
title = {{AutoHAS}: Efficient Hyperparameter and Architecture Search},
author = {Dong, Xuanyi and Tan, Mingxing and Yu, Adams Wei and Peng, Daiyi and Gabrys, Bogdan and Le, Quoc V},
booktitle = {2nd Workshop on Neural Architecture Search at International Conference on Learning Representations (ICLR)},
year = {2021}
}
@article{dong2021nats,
title = {{NATS-Bench}: Benchmarking NAS Algorithms for Architecture Topology and Size},
author = {Dong, Xuanyi and Liu, Lu and Musial, Katarzyna and Gabrys, Bogdan},
doi = {10.1109/TPAMI.2021.3054824},
journal = {IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)},
year = {2021},
note = {mbox{doi}:url{10.1109/TPAMI.2021.3054824}}
}
@inproceedings{dong2020nasbench201,
title = {{NAS-Bench-201}: Extending the Scope of Reproducible Neural Architecture Search},
author = {Dong, Xuanyi and Yang, Yi},
booktitle = {International Conference on Learning Representations (ICLR)},
url = {https://openreview.net/forum?id=HJxyZkBKDr},
year = {2020}
}
@inproceedings{dong2019tas,
title = {Network Pruning via Transformable Architecture Search},
author = {Dong, Xuanyi and Yang, Yi},
booktitle = {Neural Information Processing Systems (NeurIPS)},
pages = {760--771},
year = {2019}
}
@inproceedings{dong2019one,
title = {One-Shot Neural Architecture Search via Self-Evaluated Template Network},
author = {Dong, Xuanyi and Yang, Yi},
booktitle = {Proceedings of the IEEE International Conference on Computer Vision (ICCV)},
pages = {3681--3690},
year = {2019}
}
@inproceedings{dong2019search,
title = {Searching for A Robust Neural Architecture in Four GPU Hours},
author = {Dong, Xuanyi and Yang, Yi},
booktitle = {Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
pages = {1761--1770},
year = {2019}
}
إذا كنت ترغب في المساهمة في هذا الريبو ، فيرجى الاطلاع على المساهمة. علاوة على ذلك ، يرجى اتباع رمز الموصلات.
نستخدم black for Python Code Formatter. الرجاء استخدام black . -l 88 .
قاعدة كود كاملة تحت رخصة معهد ماساتشوستس للتكنولوجيا.
