AutoDL Projects Download - AutoDL Projects Quellcode Download

AutoDL Projects

Python

1.0.0

Herunterladen

Automatisierte Deep-Learning-Projekte (Autodl-Projects) sind ein Open-Source-Projekt, aber für alle ein nützliches Projekt. In diesem Projekt wurden mehrere Algorithmen für neuronale Architektursuche (NAS) und Hyper-Parameter-Optimierung (HPO) implementiert. 中文介绍见 readme_cn.md

Wer sollte in Betracht ziehen, Autodl-Projekte zu verwenden?

Anfänger, die verschiedene Autodl -Algorithmen ausprobieren möchten
Ingenieure, die Autodl versuchen möchten, um zu untersuchen, ob Autodl an Ihren Projekten arbeitet
Forscher, die neue Autodl -Algorithmen problemlos implementieren und erleben möchten.

Warum sollten wir autodl-projekte verwenden

Einfache Bibliotheksabhängigkeiten
Alle Algorithmen befinden sich in derselben Codebasis
Aktive Wartung

Autodl-Projects-Funktionen

In diesem Moment bietet dieses Projekt die folgenden Algorithmen und Skripte, um sie auszuführen. Bitte beachten Sie die Details im Link in der Spalte Beschreibung.

Typ	Abbrv	Algorithmen	Beschreibung
Nas	Tas	Netzwerkbeschnitten durch transformierbare Architektursuche	Neurips-2019-tas.md
	DARTS	Darts: Differenzierbare Architektursuche	ICLR-2019-Darts.md
	GDAs	Auf der Suche nach einer robusten neuronalen Architektur in vier GPU -Stunden	CVPR-2019-Gdas.md
	Setn	Ein-Schuss-Suche nach neuronaler Architektur durch selbstbewertete Vorlagennetzwerk	ICCV-2019-setn.md
	NAS-Bench-201	NAS-Bench-2010: Erweiterung des Umfangs der reproduzierbaren Suche	NAS-Bench-2010.md
	Nats-Bench	NATS-Bench: Benchmarking-NAS-Algorithmen für Architekturtopologie und Größe	Nats-Bench.md
...	ENAS / rea / verstärken / bohb	Bitte überprüfen Sie die Originalpapiere	NAS-Bench-201.md Nats-Bench.md
HPO	HPO-CG	Hyperparameteroptimierung mit ungefähren Gradienten	bald kommen
Basic	Resnet	Deep-Lernbasierte Bildklassifizierung	Baseline.md

Anforderungen und Vorbereitung

Verwenden Sie zunächst pip install . So installieren Sie xautodl -Bibliothek.

Bitte installieren Sie Python>=3.6 und PyTorch>=1.5.0 . (Sie können niedrigere Versionen von Python und Pytorch verwenden, können jedoch Fehler haben). Einige Visualisierungscodes erfordern möglicherweise opencv .

Cifar und ImageNet sollten heruntergeladen und in $TORCH_HOME extrahiert werden. Einige Methoden verwenden Wissensdestillation (KD), für die vorgebrachte Modelle erforderlich sind. Bitte laden Sie diese Modelle von Google Drive (oder trainieren Sie selbst) herunter und speichern Sie in .latent-data .

Bitte verwenden Sie

 git clone --recurse-submodules https://github.com/D-X-Y/AutoDL-Projects.git XAutoDL

So herunterladen dieses Repo mit Submodules.

Zitat

Wenn Sie feststellen, dass dieses Projekt Ihre Forschung hilft, sollten Sie das zugehörige Papier zitieren:

 @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}
}