AutoDL Projects 다운로드 AutoDL Projects 소스 코드 다운로드

AutoDL Projects

파이썬

1.0.0

다운로드

자동화 된 딥 러닝 프로젝트 (AutoDl-Projects)는 오픈 소스이며 가볍지 만 모든 사람에게 유용한 프로젝트입니다. 이 프로젝트는 NAS (Neural Architecture Search) 및 HPO (Hyper-Parameter Optimization) 알고리즘을 구현했습니다. 中文介绍见 readme_cn.md

AutoDl-Projects 사용을 고려해야합니다

다른 AutoDL 알고리즘을 시도 하려는 초보자
AutoDL이 프로젝트에서 작동하는지 조사하기 위해 AutoDL을 시도 하려는 엔지니어
새로운 AutoDL 알고리즘을 쉽게 구현하고 경험하고자하는 연구원.

AutoDl-Projects를 사용해야하는 이유는 무엇입니까?

간단한 라이브러리 종속성
모든 알고리즘은 동일한 코드베이스에 있습니다
활성 유지 보수

AutoDl-Projects 기능

현재이 프로젝트는 다음과 같은 알고리즘과 스크립트를 제공합니다. 설명 열에 제공된 링크의 세부 사항을 참조하십시오.

유형	ABBRV	알고리즘	설명
NAS	TAS	변환 가능한 아키텍처 검색을 통한 네트워크 가지 치기	Neurips-2019-tas.md
	다트	다트 : 차별화 가능한 아키텍처 검색	ICLR-2019-darts.md
	GDA	4 시간 내에 강력한 신경 구조 검색	CVPR-2019-gdas.md
	세트	자체 평가 된 템플릿 네트워크를 통한 원샷 신경 아키텍처 검색	ICCV-2019-SETN.MD
	NAS-Bench-201	NAS-Bench-201 : 재현 가능한 신경 구조 검색 범위를 확장합니다	NAS-BENCH-201.MD
	Nats-Bench	Nats-Bench : 아키텍처 토폴로지 및 크기를위한 NAS 알고리즘 벤치마킹	nats-bench.md
...	ENAS / REA / INLEFORCE / BOHB	원본 서류를 확인하십시오	NAS-BENCH-201.MD NATS-BENCH.MD
HPO	HPO-CG	대략적인 기울기를 사용한 하이퍼 파라미터 최적화	곧 올 것입니다
기초적인	RESNET	딥 러닝 기반 이미지 분류	기준선 .md

요구 사항 및 준비

우선 , pip install . xautodl 라이브러리를 설치하려면

Python>=3.6 및 PyTorch>=1.5.0 설치하십시오. (하위 버전의 Python 및 Pytorch를 사용할 수 있지만 버그가있을 수 있습니다). 일부 시각화 코드에는 opencv 필요할 수 있습니다.

cifar와 imagenet은 $TORCH_HOME 으로 다운로드하여 추출해야합니다. 일부 방법은 미리 훈련 된 모델이 필요한 지식 증류 (KD)를 사용합니다. Google 드라이브 에서이 모델을 다운로드하거나 직접 훈련하고 .latent-data 로 저장하십시오.

사용하십시오

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

이 레포를 서브 모듈로 다운로드하려면.

소환

이 프로젝트가 연구에 도움이된다면 관련 논문을 인용하는 것을 고려하십시오.

 @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}
}