Descarga AutoDL Projects - Descarga del código fuente AutoDL Projects

AutoDL Projects

Pitón

1.0.0

Descargar

Los proyectos automatizados de aprendizaje profundo (Autodl-Projects) son un proyecto de código abierto, liviano, pero útil para todos. Este proyecto implementó varios algoritmos de Optimización de Hyper-Parameter (HPO) de Búsqueda de Arquitectura Neural (NAS) y Optimización de Hyper-Parameter. 中文介绍见 Readme_cn.md

¿Quién debería considerar usar los proyectos Autodl?

Principiantes que desean probar diferentes algoritmos Autodl
Ingenieros que desean probar AUTODL para investigar si Autodl funciona en sus proyectos
Investigadores que desean implementar y experimentar fácilmente nuevos algoritmos AutoDL.

¿Por qué deberíamos usar Autodl-Projects?

Dependencias simples de la biblioteca
Todos los algoritmos están en la misma base de código
Mantenimiento activo

Capacidades de los proyectos de autodl

En este momento, este proyecto proporciona los siguientes algoritmos y scripts para ejecutarlos. Consulte los detalles en el enlace proporcionado en la columna Descripción.

Tipo	ABBRV	Algoritmos	Descripción
Nas	TAS	Poda de red a través de la búsqueda de arquitectura transformable	Neurips-2019-Tas.md
	DARDOS	Darts: búsqueda de arquitectura diferenciable	ICLR-2019-darts.md
	GDA	Buscando una arquitectura neuronal robusta en cuatro horas de GPU	CVPR-2019-GDAS.MD
	Setn	Búsqueda de arquitectura neuronal de una sola búsqueda a través de la red de plantillas autoevaluadas	ICCV-2019-SETN.MD
	NAS BENCH-2010	NAS BENCH-201-201: Extender el alcance de la búsqueda de arquitectura neuronal reproducible	NAS BENCH-201.MD
	Nats-Bench	NATS BENCH: Benchmarking NAS Algoritms for Architecture Topology and Size	Nats-bench.md
...	Enas / rea / reforze / bohb	Por favor revise los documentos originales	Nas bench-201.md nats bench.md
HPO	HPO-CG	Optimización de hiperparameter con gradiente aproximado	muy pronto
Básico	Resnet	Clasificación de imágenes basada en el aprendizaje profundo	Línea de base.md

Requisitos y preparación

En primer lugar , use pip install . para instalar la biblioteca xautodl .

Instale Python>=3.6 y PyTorch>=1.5.0 . (Podría usar versiones más bajas de Python y Pytorch, pero puede tener errores). Algunos códigos de visualización pueden requerir opencv .

CIFAR e ImageNet deben descargarse y extraerse en $TORCH_HOME . Algunos métodos utilizan la destilación de conocimiento (KD), que requieren modelos previamente capacitados. Descargue estos modelos de Google Drive (o entrenar solo) y guarde en .latent-data .

Por favor use

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

Para descargar este repositorio con submódulos.

Citación

Si encuentra que este proyecto ayuda a su investigación, considere citar el documento relacionado:

 @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}
}