awesome AutoML and Lightweight Models
1.0.0
รายการ AutomL ที่มีคุณภาพสูง (ใหม่ล่าสุด) งานและรุ่นที่มีน้ำหนักเบารวมถึง 1. ) การค้นหาสถาปัตยกรรมระบบประสาท , 2. ) โครงสร้างที่มีน้ำหนักเบา , 3. ) การบีบอัดแบบจำลอง, การวัดปริมาณและการเร่งความเร็ว , 4. ) การเพิ่มประสิทธิภาพพารามิเตอร์ไฮเปอร์พารามิเตอร์ , 5. ) วิศวกรรมคุณลักษณะอัตโนมัติ
repo นี้มีวัตถุประสงค์เพื่อให้ข้อมูลสำหรับการวิจัย AutomL (โดยเฉพาะอย่างยิ่งสำหรับรุ่นที่มีน้ำหนักเบา) ยินดีต้อนรับสู่ PR The Works (เอกสารที่เก็บ) ที่ Repo พลาด
การไล่ระดับสี:
เมื่อ NAS พบกับความทนทาน: ในการค้นหาสถาปัตยกรรมที่มีประสิทธิภาพต่อการโจมตีของฝ่ายตรงข้าม | [ CVPR 2020 ]
ค้นหาสถาปัตยกรรมประสาทที่แข็งแกร่งในสี่ชั่วโมง GPU | [ CVPR 2019 ]
ASAP: การค้นหาสถาปัตยกรรม, anneal และ prune | [2019/04]
NAS แบบทางเดียว: การออกแบบการควบคุมฮาร์ดแวร์-ประสิทธิภาพในเวลาน้อยกว่า 4 ชั่วโมง | [2019/04]
การค้นหาสถาปัตยกรรมระบบประสาทอัตโนมัติเพื่อการจำแนกรูปภาพภายใต้ฉากที่แตกต่างกัน | [ IEEE Access 2019 ]
Sharpdarts: การค้นหาสถาปัตยกรรมที่แตกต่างกันเร็วขึ้นและแม่นยำยิ่งขึ้น | [2019/03]
การเรียนรู้ CNNs ที่เกิดขึ้นซ้ำโดยปริยายผ่านการแบ่งปันพารามิเตอร์ | [ ICLR 2019 ]
การค้นหาสถาปัตยกรรมประสาทที่น่าจะเป็น [2019/02]
Auto-Deeplab: สถาปัตยกรรมระบบประสาทตามลำดับชั้นสำหรับการแบ่งส่วนภาพความหมาย | [2019/01]
SNAS: การค้นหาสถาปัตยกรรมประสาทสุ่ม | [ ICLR 2019 ]
FBNET: การออกแบบที่มีประสิทธิภาพของฮาร์ดแวร์อย่างมีประสิทธิภาพผ่านการค้นหาสถาปัตยกรรมประสาทที่แตกต่างกัน | [2018/12]
การเพิ่มประสิทธิภาพสถาปัตยกรรมประสาท [ NIPS 2018 ]
ปาเป้า: การค้นหาสถาปัตยกรรมที่แตกต่างกัน | [2018/06]
การเรียนรู้การเสริมแรง:
การค้นหาแบบอัตโนมัติตามเทมเพลตของสถาปัตยกรรมการแบ่งส่วนความหมายขนาดกะทัดรัด | [2019/04]
การทำความเข้าใจเทคนิคการค้นหาสถาปัตยกรรมประสาท [2019/03]
ความละเอียดสูงที่รวดเร็วแม่นยำและมีน้ำหนักเบาพร้อมการค้นหาสถาปัตยกรรมประสาท | [2019/01]
วิวัฒนาการเสริมแรงแบบหลายวัตถุประสงค์ในการค้นหาสถาปัตยกรรมระบบประสาทมือถือ | [2019/01]
ProxylessNas: การค้นหาสถาปัตยกรรมประสาทโดยตรงในงานเป้าหมายและฮาร์ดแวร์ | [ ICLR 2019 ]
ถ่ายโอนการเรียนรู้ด้วยระบบประสาทอัตโนมัติ | [ NIPS 2018 ]
การเรียนรู้สถาปัตยกรรมที่สามารถถ่ายโอนได้สำหรับการจดจำภาพที่ปรับขนาดได้ [2018/07]
MNASNET: การค้นหาสถาปัตยกรรมระบบประสาทที่รับรู้ถึงมือถือ | [2018/07]
การสร้างสถาปัตยกรรมเครือข่ายประสาทบล็อกที่ใช้งานได้จริง [ CVPR 2018 ]
การค้นหาสถาปัตยกรรมประสาทที่มีประสิทธิภาพผ่านการแบ่งปันพารามิเตอร์ | [ ICML 2018 ]
การค้นหาสถาปัตยกรรมที่มีประสิทธิภาพโดยการแปลงเครือข่าย | [ Aaai 2018 ]
อัลกอริทึมวิวัฒนาการ:
เส้นทางเดียวการค้นหาสถาปัตยกรรมระบบประสาทด้วยการสุ่มตัวอย่างเครื่องแบบ | [2019/04]
Detnas: การค้นหาสถาปัตยกรรมประสาทในการตรวจจับวัตถุ | [2019/03]
หม้อแปลงที่พัฒนาขึ้น [2019/01]
การออกแบบเครือข่ายประสาทผ่าน NeuroeVolution | [ Nature Machine Intelligence 2019 ]
EAT-NAS: การถ่ายโอนสถาปัตยกรรมยืดหยุ่นเพื่อเร่งการค้นหาสถาปัตยกรรมระบบประสาทขนาดใหญ่ | [2019/01]
การค้นหาสถาปัตยกรรมระบบประสาทหลายวัตถุประสงค์ที่มีประสิทธิภาพผ่าน Evolution Lamarckian | [ ICLR 2019 ]
SMBO:
MFAS: การค้นหาสถาปัตยกรรมฟิวชั่นหลายรูปแบบ | [ CVPR 2019 ]
DPP-NET: การค้นหาความก้าวหน้าของอุปกรณ์ที่รับรู้ถึงสถาปัตยกรรมระบบประสาท Pareto-Optimal | [ ECCV 2018 ]
การค้นหาสถาปัตยกรรมระบบประสาทแบบก้าวหน้า [ ECCV 2018 ]
การค้นหาแบบสุ่ม:
สำรวจเครือข่ายประสาทแบบมีสายแบบสุ่มเพื่อรับรู้ภาพ | [2019/04]
ค้นหาสถาปัตยกรรมหลายระดับที่มีประสิทธิภาพสำหรับการทำนายภาพหนาแน่น | [ NIPS 2018 ]
Hypernetwork:
การเพิ่มประสิทธิภาพแบบเบย์:
การตัดแต่งกิ่งคำสั่งบางส่วน
การกลั่นความรู้
การจำแนกรูปภาพ:
EfficientNet: Rethinking Model Scaling สำหรับ Neural Networks Convolutional | [ ICML 2019 ]
ค้นหา Mobilenetv3 | [2019/05]
การแบ่งส่วนความหมาย:
CGNET: เครือข่ายนำทางบริบทน้ำหนักเบาสำหรับการแบ่งส่วนความหมาย | [2019/04]
ESPNETV2: น้ำหนักเบาประสิทธิภาพพลังงานและเครือข่ายประสาทแบบ Convolutional วัตถุประสงค์ทั่วไป | [2018/11]
ESPNET: ปิรามิดเชิงพื้นที่ที่มีประสิทธิภาพของ convolutions ขยายสำหรับการแบ่งส่วนความหมาย | [ ECCV 2018 ]
Bisenet: เครือข่ายการแบ่งส่วนทวิภาคีสำหรับการแบ่งส่วนความหมายแบบเรียลไทม์ | [ ECCV 2018 ]
ERFNET: convnet แบบแยกส่วนที่เหลืออย่างมีประสิทธิภาพสำหรับการแบ่งส่วนความหมายแบบเรียลไทม์ | [ T-ITS 2017 ]
การตรวจจับวัตถุ:
Thundernet: ไปสู่การตรวจจับวัตถุทั่วไปแบบเรียลไทม์ | [2019/03]
รวมเครือข่ายพีระมิดสำหรับการตรวจจับวัตถุ | [2018/09]
Tiny-DSOD: การตรวจจับวัตถุที่มีน้ำหนักเบาสำหรับการใช้งานที่ จำกัด ทรัพยากร | [ BMVC 2018 ]
Pelee: ระบบตรวจจับวัตถุแบบเรียลไทม์บนอุปกรณ์มือถือ | [ Neurips 2018 ]
NET บล็อกฟิลด์ที่เปิดกว้างสำหรับการตรวจจับวัตถุที่ถูกต้องและรวดเร็ว | [ ECCV 2018 ]
FSSD: Feature Fusion Single Shot Multibox Detector | [2017/12]
คุณลักษณะเครือข่ายพีระมิดสำหรับการตรวจจับวัตถุ | [ CVPR 2017 ]
การตัดแต่ง:
สมมติฐานตั๋วลอตเตอรี: การค้นหาเครือข่ายประสาทที่เบาบางและฝึกอบรมได้ [ ICLR 2019 ]
ทบทวนมูลค่าของการตัดแต่งเครือข่าย | [ ICLR 2019 ]
เครือข่ายประสาทที่บางเบา [ ICLR 2019 ]
AMC: AutomL สำหรับการบีบอัดแบบจำลองและการเร่งความเร็วบนอุปกรณ์มือถือ | [ ECCV 2018 ]
การเรียนรู้เครือข่าย convolutional ที่มีประสิทธิภาพผ่านเครือข่าย Slimming | [ ICCV 2017 ]
การตัดแต่งช่องสำหรับการเร่งความเร็วเครือข่ายประสาทลึกมาก [ ICCV 2017 ]
การตัดแต่งโครงข่ายประสาทเทียมสำหรับการอนุมานอย่างมีประสิทธิภาพของทรัพยากร | [ ICLR 2017 ]
การตัดแต่งตัวกรองสำหรับ Convnets ที่มีประสิทธิภาพ | [ ICLR 2017 ]
ปริมาณ:
ทำความเข้าใจกับการประมาณค่าแบบตรงผ่านในการเปิดใช้งานการฝึกอบรมเชิงปริมาณ Neural Nets | [ ICLR 2019 ]
การหาปริมาณและการฝึกอบรมของเครือข่ายประสาทเพื่อการอนุมานจำนวนเต็มจำนวนเต็มเท่านั้น [ CVPR 2018 ]
การหาปริมาณเครือข่ายเชิงลึกเพื่อการอนุมานที่มีประสิทธิภาพ: กระดาษสีขาว | [2018/06]
ข้อตกลง: การเปิดใช้งานการตัดแบบพารามิเตอร์สำหรับเครือข่ายประสาทเชิงปริมาณ | [2018/05]
โพสต์การฝึกอบรมเชิงปริมาณ 4 บิตของเครือข่าย convolution สำหรับการปรับใช้อย่างรวดเร็ว | [ ICML 2018 ]
WRPN: เครือข่ายความแม่นยำลดลงอย่างกว้างขวาง | [ ICLR 2018 ]
การเพิ่มปริมาณเครือข่ายที่เพิ่มขึ้น: ไปสู่ CNN ที่ไม่มีการสูญเสียด้วยน้ำหนักที่มีความแม่นยำต่ำ | [ ICLR 2017 ]
DOREFA-NET: การฝึกอบรมเครือข่ายประสาทแบบ bitWidth ต่ำที่มีการไล่ระดับสีบิตแบบบิตต่ำ [2016/06]
การประมาณหรือการแพร่กระจายการไล่ระดับสีผ่านเซลล์ประสาทสุ่มสำหรับการคำนวณแบบมีเงื่อนไข | [2013/08]
การกลั่นความรู้
Apprentice: ใช้เทคนิคการกลั่นความรู้เพื่อปรับปรุงความแม่นยำของเครือข่ายที่มีความแม่นยำต่ำ | [ ICLR 2018 ]
แบบจำลองการบีบอัดผ่านการกลั่นและการคำนวณเชิงปริมาณ | [ ICLR 2018 ]
การเร่งความเร็ว:
การปรับพารามิเตอร์ hyperparameters ที่ไม่มีนักเรียนระดับบัณฑิตศึกษา: ปรับแต่งเบย์ที่ปรับขนาดได้และมีประสิทธิภาพด้วย DragonFly | [2019/03]
การเพิ่มประสิทธิภาพแบบเบย์มิติที่มีประสิทธิภาพสูงด้วยคุณสมบัติการเติมเต็มและคุณสมบัติสี่เหลี่ยมจัตุรัสฟูริเยร์ | [ Neurips 2018 ]
Google Vizier: บริการสำหรับการเพิ่มประสิทธิภาพกล่องดำ | [ Sigkdd 2017 ]
เกี่ยวกับการเพิ่มประสิทธิภาพแบบไฮเปอร์พารามิเตอร์ของอัลกอริทึมการเรียนรู้ของเครื่อง: ทฤษฎีและการปฏิบัติ | [ Neurocomputing 2020 ]
การปรับจูนพารามิเตอร์ในเครื่องยนต์การเรียนรู้ของเครื่องคลาวด์โดยใช้การเพิ่มประสิทธิภาพแบบเบย์
ภาพรวมของการเพิ่มประสิทธิภาพแบบเบย์
การเพิ่มประสิทธิภาพแบบเบย์
NetScope CNN Analyzer | [คาเฟอีน]
SKSQ96/PYTORCH-SUMMARY | [Pytorch]
lyken17/pytorch-opcounter | [Pytorch]
sovrasov/flops-counter.pytorch | [Pytorch]
