AutoDL
v1.0
ภาษาอังกฤษ
Autodl Challenge@Neurips Challenge ดูการแข่งขัน AutoDL สำหรับรายละเอียด
AutoDL มุ่งเน้นไปที่อัลกอริทึมทั่วไปที่ดำเนินการจำแนกประเภทหลายฉลากโดยอัตโนมัติ (ภาพ, วิดีโอ, เสียง, ข้อความ, ข้อมูลตาราง) การปรับข้อมูลคุณสมบัติโมเดลสำหรับปัญหาเช่นพารามิเตอร์ซุปเปอร์คุณสามารถสร้างตัวจําแนกที่มีประสิทธิภาพที่ยอดเยี่ยมในเวลาเพียง 10 วินาที โครงการนี้ ได้รับผลลัพธ์ที่ยอดเยี่ยมอย่างมากในชุดข้อมูลออฟไลน์ 24 ชุดและชุดข้อมูลออนไลน์ 15 ชุดในสาขาต่าง ๆ Autodl มีคุณสมบัติดังต่อไปนี้:
☕Full -Automatic : กรอบการเรียนรู้การเรียนรู้อย่างลึกล้ำอัตโนมัติอย่างเต็มที่ไม่จำเป็นต้องมีการแทรกแซงด้วยตนเองสำหรับกระบวนการทั้งหมด รายละเอียดทั้งหมดของข้อมูลคุณสมบัติและรุ่นได้รับการปรับให้ดีที่สุดและปัญหาของข้อ จำกัด ด้านทรัพยากรความเบ้ข้อมูลข้อมูลขนาดเล็กวิศวกรรมคุณลักษณะการเลือกแบบจำลองการเพิ่มประสิทธิภาพโครงสร้างเครือข่ายและการค้นหาไฮเปอร์พารามิเตอร์ได้รับการแก้ไขอย่างสม่ำเสมอ เพียงเตรียมข้อมูลเริ่มต้น autodl และดื่มกาแฟสักถ้วย
มหาวิทยาลัย ? มันได้รับผลลัพธ์ที่ยอดเยี่ยมอย่างมากใน สาขาที่แตกต่างกัน เช่นการรับรู้คนเดินเท้าการจดจำการกระทำของคนเดินเท้าการจดจำใบหน้าการจดจำเสียงการจำแนกเพลงการจำแนกสำเนียงการจำแนกภาษาการจำแนกประเภทอารมณ์การจำแนกอีเมลการจำแนกข่าว เครื่องยนต์การตลาดที่แม่นยำ ฯลฯ
ผลลัพธ์ที่ยอดเยี่ยม : การแข่งขัน AutoDL ชนะโปรแกรมแชมป์ที่ครอบงำรวมถึงการสนับสนุนรูปแบบการเรียนรู้ของเครื่องจักรแบบดั้งเดิมและรูปแบบการเรียนรู้ที่ลึกซึ้งล่าสุด ห้องสมุดโมเดลรวมถึงรุ่นแชมป์ที่ต้องการจาก LR/SVM/LGB/CGB/XGB เพื่อ resnet*/MC3/DNN/ThinResnet*/textcnn/rcnn/gru/bert และอื่น ๆ
⚡ Extreme Speed/Real-Time : รับประสิทธิภาพของโมเดลการแข่งขันในเร็วถึงสิบวินาที ผลลัพธ์จะได้รับการรีเฟรชในเวลาจริง (วินาที) และคุณสามารถรับข้อเสนอแนะแบบเรียลไทม์เกี่ยวกับโมเดลโดยไม่ต้องรอ
รายการเบื้องต้น (Deepwisdom ได้รับการจัดอันดับเป็นอันดับแรกโดยมีการจัดอันดับเฉลี่ย 1.2 และชนะ 4 ครั้งแรกใน 5 ชุดข้อมูล) 
รายการรอบชิงชนะเลิศ (Deepwisdom ได้รับการจัดอันดับโดยรวมเป็นอันดับแรกโดยมีการจัดอันดับเฉลี่ย 1.8 และอันดับ 7 อันดับแรกใน 10 ชุดข้อมูล) 
สภาพแวดล้อมพื้นฐาน
python > =3.5
CUDA 10
cuDNN 7.5คลังสินค้าโคลน
cd <path_to_your_directory>
git clone https://github.com/DeepWisdom/AutoDL.git
โมเดลที่ผ่านการฝึกอบรมมาล่วงหน้าเพื่อดาวน์โหลด Model Speech_model.h5 และวางไว้ใน AutoDL_sample_code_submission/at_speech/pretrained_models/ DIRECTORY
ตัวเลือก: ใช้สภาพแวดล้อม Docker ที่ซิงโครไนซ์กับการแข่งขัน
cd path/to/autodl/
docker run -it -v "$(pwd):/app/codalab" -p 8888:8888 evariste/autodl:cpu-latest
nvidia-docker run -it -v "$(pwd):/app/codalab" -p 8888:8888 evariste/autodl:gpu-latest
การเตรียมชุดข้อมูล: ใช้ชุดข้อมูลตัวอย่างใน AutoDL_sample_data หรือการดาวน์โหลดชุดข้อมูลการประกวดสาธารณะ
ทำการทดสอบในท้องถิ่น
python run_local_test.py
การทดสอบในท้องถิ่นจะใช้เต็มรูปแบบ python run_local_test.py -dataset_dir='AutoDL_sample_data/miniciao' -code_dir='AutoDL_sample_code_submission' คุณสามารถดูหน้า AutoDL_scoring_output/
สำหรับรายละเอียดโปรดดูที่ Autodl Challenge อย่างเป็นทางการเริ่มต้น _kit
จะเห็นได้ว่าภายใต้ชุดข้อมูลของห้าโหมดที่แตกต่างกันสตรีมอัลกอริทึม Autodl ได้รับเอฟเฟกต์เต็มเวลาที่ยอดเยี่ยมอย่างมากและสามารถบรรลุความแม่นยำสูงมากในเวลาอันสั้น
ที่เก็บนี้ได้รับการทดสอบใน Python 3.6+, Pytorch 1.3.1 และ Tensorflow 1.15
คุณควรติดตั้ง AutoDL ในสภาพแวดล้อมเสมือนจริง หากคุณไม่คุ้นเคยกับสภาพแวดล้อมเสมือนจริงโปรดดูคำแนะนำของผู้ใช้
สร้างสภาพแวดล้อมเสมือนจริงด้วยรุ่น Python ที่เหมาะสมและเปิดใช้งาน
start_env.batMiniconda3 ที่ติดตั้ง cmd.exe " /K " . M iniconda3 S cripts a ctivate.bat . M iniconda3start_env.bat เพื่อติดตั้ง autodl-gpu conda install pytorch==1.3.1
conda install torchvision -c pytorch
pip install autodl-gpupip install autodl-gpuสำหรับคำแนะนำโปรดดูการทดสอบเอฟเฟกต์ Local AutoDL เพื่อการเข้าถึงที่รวดเร็วและดูตัวอย่าง/run_local_test.py ตัวอย่างรหัส
ดูการจำแนกภาพเริ่มต้นอย่างรวดเร็วและรหัสตัวอย่างจะแสดงในตัวอย่าง/run_image_classification_example.py
สำหรับคำแนะนำโปรดดูการจำแนกวิดีโอเริ่มต้นอย่างรวดเร็ว
สำหรับคำแนะนำโปรดดูการจำแนกประเภทเสียงเพื่อการเข้าถึงอย่างรวดเร็วและตัวอย่างเช่นรหัสโปรดดูตัวอย่าง/run_speech_classification_example.py
สำหรับคำแนะนำให้ดูการจำแนกประเภทข้อความของข้อความที่รวดเร็วเพื่อมือและดูรหัสตัวอย่างในตัวอย่าง/run_text_classification_example.py
สำหรับคำแนะนำให้ดูการจำแนกตารางเริ่มต้นอย่างรวดเร็วและดูตัวอย่าง/run_tabular_classification_example.py ตัวอย่างรหัส
python download_public_datasets.py| - | ชื่อ | พิมพ์ | โดเมน | ขนาด | แหล่งที่มา | ข้อมูล (w/o ฉลากทดสอบ) | ฉลากทดสอบ |
|---|---|---|---|---|---|---|---|
| 1 | ม็อกสเตอร์ | ภาพ | hwr | 18 MB | MNIST | munster.data | Munster.Solution |
| 2 | เมือง | ภาพ | วัตถุ | 128 MB | CIFAR-10 | City.data | City.Solution |
| 3 | ชัคกี้ | ภาพ | วัตถุ | 128 MB | CIFAR-100 | Chucky.data | Chucky.Solution |
| 4 | เปโดร | ภาพ | ประชากร | 377 MB | PA-100K | Pedro.Data | Pedro.Solution |
| 5 | รูปลอก | ภาพ | ทางอากาศ | 73 MB | NWPU VHR-10 | Decal.data | Decal.Solution |
| 6 | ค้อน | ภาพ | ทางการแพทย์ | 111 MB | HAM10000 | Hammer.data | Hammer.Solution |
| 7 | Kreatur | วิดีโอ | การกระทำ | 469 MB | Kth | kreatur.data | Kreatur.Solution |
| 8 | Kreatur3 | วิดีโอ | การกระทำ | 588 MB | Kth | kreatur3.data | kreatur3.solution |
| 9 | Kraut | วิดีโอ | การกระทำ | 1.9 GB | Kth | kraut.data | Kraut.Solution |
| 10 | Katze | วิดีโอ | การกระทำ | 1.9 GB | Kth | katze.data | Katze.Solution |
| 11 | data01 | คำพูด | ลำโพง | 1.8 GB | - | data01.data | data01.Solution |
| 12 | data02 | คำพูด | อารมณ์ | 53 MB | - | data02.data | data02.solution |
| 13 | ข้อมูล 03 | คำพูด | สำเนียง | 1.8 GB | - | data03.data | data03.Solution |
| 14 | ข้อมูล 04 | คำพูด | ประเภท | 469 MB | - | data04.data | data04.Solution |
| 15 | ข้อมูล 05 | คำพูด | ภาษา | 208 MB | - | data05.Data | data05.Solution |
| 16 | O1 | ข้อความ | ความเห็น | 828 kb | - | O1.Data | O1.Solution |
| 17 | O2 | ข้อความ | อารมณ์ | 25 MB | - | O2.Data | O2.Solution |
| 18 | O3 | ข้อความ | ข่าว | 88 MB | - | o3.data | o3. การแก้ปัญหา |
| 19 | O4 | ข้อความ | สแปม | 87 MB | - | O4.Data | O4.Solution |
| 20 | o5 | ข้อความ | ข่าว | 14 MB | - | O5.Data | O5. การแก้ปัญหา |
| ยี่สิบเอ็ด | ผู้ใหญ่ | เป็นตาราง | การสำรวจสำมะโนประชากร | 2 MB | ผู้ใหญ่ | ผู้ใหญ่. ดาต้า | ผู้ใหญ่ความละเอียด |
| ยี่สิบสอง | ดิลเบิร์ต | เป็นตาราง | - | 162 MB | - | Dilbert.data | Dilbert.Solution |
| ยี่สิบสาม | ตัวเลข | เป็นตาราง | hwr | 137 MB | MNIST | Digits.data | Digits.Solution |
| ยี่สิบสี่ | Madeline | เป็นตาราง | - | 2.6 MB | - | madeline.data | madeline.Solution |
❤โปรดอย่าลังเลที่จะเข้าร่วมในการบริจาคเปิดปัญหาหรือส่ง PRS
ใบอนุญาต Apache 2.0
