Download AutoDL Projects - AutoDL Projects download de código fonte

AutoDL Projects

Pitão

1.0.0

Baixar

Projetos automatizados de aprendizado profundo (Projetos Autodl) é um projeto de código aberto, leve, mas útil para todos. Este projeto implementou vários algoritmos de pesquisa de arquitetura neural (NAS) e otimização hiper-parâmetro (HPO). 中文介绍见 ReadMe_cn.md

Quem deve considerar o uso do AutoDL-Projetos

Iniciantes que desejam experimentar diferentes algoritmos do Autodl
Engenheiros que desejam tentar o Autodl para investigar se o Autodl funciona em seus projetos
Pesquisadores que desejam implementar e experimentar novos algoritmos do AutoDL.

Por que devemos usar o AutoDL-Projetos

Dependências simples da biblioteca
Todos os algoritmos estão na mesma base de código
Manutenção ativa

Recursos de Projetos Autodl

Nesse momento, este projeto fornece os seguintes algoritmos e scripts para executá -los. Consulte os detalhes no link fornecido na coluna Descrição.

Tipo	Abbrv	Algoritmos	Descrição
Nas	Tas	Pruagem de rede via pesquisa de arquitetura transformável	Neurips-2019-Tas.md
	DARDOS	Dardos: pesquisa de arquitetura diferenciável	ICLR-2019-Darts.md
	GDAS	Procurando uma arquitetura neural robusta em quatro horas da GPU	CVPR-2019-gdas.md
	Setn	Pesquisa de arquitetura neural de um tiro através da rede de modelos auto-avaliados	ICCV-2019-SETN.MD
	NAS-BEMCH-201	NAS-BANCE-201: Estendendo o escopo da pesquisa de arquitetura neural reproduzível	NAS-BEMCH-201.MD
	Bancada nats	Banche Nats: Algoritmos NAS de benchmarking para topologia e tamanho de arquitetura	Nats-banch.md
...	Enas / rea / reforçar / bohb	Por favor, verifique os papéis originais	NAS-banch-201.md nats-banch.md
HPO	HPO-CG	Otimização de hiperparâmetro com gradiente aproximado	em breve
Básico	Resnet	Classificação de imagem baseada em aprendizado profundo	Baseline.md

Requisitos e preparação

Primeiro de tudo , use pip install . Para instalar a biblioteca xautodl .

Instale Python>=3.6 e PyTorch>=1.5.0 . (Você pode usar versões mais baixas de Python e Pytorch, mas pode ter bugs). Alguns códigos de visualização podem exigir opencv .

Cifar e ImageNet devem ser baixados e extraídos em $TORCH_HOME . Alguns métodos usam a destilação do conhecimento (KD), que requerem modelos pré-treinados. Faça o download desses modelos do Google Drive (ou treine sozinho) e salve em .latent-data .

Por favor, use

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

Para baixar este repositório com submódulos.

Citação

Se você achar que este projeto ajuda sua pesquisa, considere citar o artigo 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}
}