Unduh AutoDL Projects - Unduh Kode Sumber AutoDL Projects

AutoDL Projects

ular piton

1.0.0

Unduh

Proyek pembelajaran mendalam otomatis (Autodl-Projects) adalah proyek open source, ringan, tetapi berguna untuk semua orang. Proyek ini mengimplementasikan beberapa algoritma Pencarian Arsitektur Saraf (NAS) dan Hyper-Parameter Optimization (HPO). 中文介绍见 readme_cn.md

Siapa yang harus mempertimbangkan untuk menggunakan proyek autodl

Pemula yang ingin mencoba algoritma autodl yang berbeda
Insinyur yang ingin mencoba Autodl untuk menyelidiki apakah Autodl bekerja pada proyek Anda
Para peneliti yang ingin dengan mudah menerapkan dan mengalami algoritma autodl baru .

Mengapa kita harus menggunakan proyek autodl

Ketergantungan perpustakaan sederhana
Semua algoritma berada di basis kode yang sama
Pemeliharaan aktif

Kemampuan Autodl-Projects

Pada saat ini, proyek ini menyediakan algoritma dan skrip berikut untuk menjalankannya. Silakan lihat detail di tautan yang disediakan di kolom deskripsi.

Jenis	Abbrv	Algoritma	Keterangan
Nas	Tas	Pemangkasan jaringan melalui pencarian arsitektur yang dapat ditransformasikan	Neurips-2019-Tas.md
	PANAHAN	Anak panah: Pencarian Arsitektur yang Dapat Diferensial	ICLR-2019-DARTS.MD
	GDA	Mencari arsitektur saraf yang kuat dalam empat jam GPU	CVPR-2019-GDAS.MD
	Setn	Pencarian arsitektur saraf satu-shot melalui jaringan template yang dievaluasi sendiri	ICCV-2019-SETN.MD
	NAS-Bench-201	NAS-BENCH-201: Memperluas ruang lingkup pencarian arsitektur saraf yang dapat direproduksi	Nas-bench-201.md
	Nats-Bench	Nats-Bench: Algoritma NAS Benchmarking untuk Topologi dan Ukuran Arsitektur	Nats-bench.md
...	ENAS / REA / BERPORTAK / BOHB	Silakan periksa kertas asli	Nas-bench-201.md nats-bench.md
HPO	HPO-CG	Optimalisasi hyperparameter dengan perkiraan gradien	segera hadir
Dasar	Resnet	Klasifikasi gambar berbasis pembelajaran yang mendalam	Baseline.md

Persyaratan dan persiapan

Pertama -tama , silakan gunakan pip install . untuk menginstal perpustakaan xautodl .

Harap instal Python>=3.6 dan PyTorch>=1.5.0 . (Anda bisa menggunakan Python dan Pytorch versi yang lebih rendah, tetapi mungkin memiliki bug). Beberapa kode visualisasi mungkin memerlukan opencv .

Cifar dan Imagenet harus diunduh dan diekstraksi ke $TORCH_HOME . Beberapa metode menggunakan distilasi pengetahuan (KD), yang membutuhkan model pra-terlatih. Silakan unduh model-model ini dari Google Drive (atau latih sendiri) dan simpan ke .latent-data .

Tolong gunakan

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

untuk mengunduh repo ini dengan submodules.

Kutipan

Jika Anda menemukan bahwa proyek ini membantu penelitian Anda, silakan pertimbangkan mengutip makalah terkait:

 @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}
}