AutoDL ProjectsのダウンロードAutoDL Projectsソースコードのダウンロード

AutoDL Projects

パイソン

1.0.0

ダウンロード

自動化されたディープラーニングプロジェクト（AutoDL-Projects）は、オープンソースで、軽量でありながら有用なプロジェクトです。このプロジェクトは、いくつかのニューラルアーキテクチャ検索（NAS）およびハイパーパラメーター最適化（HPO）アルゴリズムを実装しました。 readme_cn.md

AutoDL-Projectsの使用を検討する必要があります

別のAutoDLアルゴリズムを試したい初心者
AutoDLがプロジェクトで動作するかどうかを調査するためにautoDLを試してみたいエンジニア
新しいAutoDLアルゴリズムを簡単に実装および実験したい研究者。

なぜautodl-projectsを使用する必要がありますか

単純なライブラリの依存関係
すべてのアルゴリズムは同じコードベースにあります
アクティブメンテナンス

AutoDLプロジェクト機能

現時点では、このプロジェクトは、それらを実行するための次のアルゴリズムとスクリプトを提供します。説明列に記載されているリンクの詳細をご覧ください。

タイプ	abbrv	アルゴリズム	説明
Nas	タス	変換可能なアーキテクチャ検索によるネットワーク剪定	Neurips-2019-tas.md
	ダーツ	DARTS：微分可能なアーキテクチャ検索	ICLR-2019-Darts.md
	GDAS	4 gpu時間で堅牢な神経アーキテクチャを探しています	CVPR-2019-GDAS.MD
	setn	自己評価テンプレートネットワークを介したワンショットニューラルアーキテクチャ検索	ICCV-2019-setn.md
	NASベンチ-201	NAS-Bench-2010：再現可能な神経アーキテクチャ検索の範囲を拡張します	NASベンチ-201.MD
	ナットベンチ	NATSベンチ：アーキテクチャトポロジとサイズのベンチマークNASアルゴリズム	nats-bench.md
...	Enas / Rea / Renforce / Bohb	元の論文をチェックしてください	NAS-Bench-201.Md Nats-Bench.md
HPO	HPO-CG	近似勾配によるハイパーパラメーターの最適化	近日公開
基本	resnet	深い学習ベースの画像分類	Baseline.md

要件と準備

まず第一に、 pip install . xautodlライブラリをインストールします。

Python>=3.6およびPyTorch>=1.5.0をインストールしてください。（PythonとPytorchの低いバージョンを使用できますが、バグがある場合があります）。一部の視覚化コードには、 opencvが必要になる場合があります。

CifarとImagenetをダウンロードし、 $TORCH_HOMEに抽出する必要があります。一部の方法では、事前に訓練されたモデルが必要な知識蒸留（KD）を使用します。これらのモデルをGoogleドライブ（または自分でトレーニング）からダウンロードして、 .latent-dataに保存してください。

使用してください

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

サブモジュールを使用してこのレポをダウンロードします。

引用

このプロジェクトがあなたの研究に役立つことがわかった場合は、関連する論文を引用することを検討してください。

 @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}
}