ดาวน์โหลด AutoDL Projects - AutoDL Projects Source Source Download

AutoDL Projects

หลาม

1.0.0

ดาวน์โหลด

โครงการเรียนรู้เชิงลึกอัตโนมัติ (โครงการ Autodl) เป็นโครงการโอเพ่นซอร์สน้ำหนักเบา แต่มีประโยชน์สำหรับทุกคน โครงการนี้ใช้การค้นหาสถาปัตยกรรมระบบประสาทหลาย (NAS) และอัลกอริทึมการเพิ่มประสิทธิภาพพารามิเตอร์ไฮเปอร์พารามิเตอร์ (HPO) 中文介绍见 readme_cn.md

ใครควรพิจารณาใช้โครงการอัตโนมัติ

ผู้เริ่มต้นที่ต้องการ ลองอัลกอริทึม AutoDL ที่แตกต่างกัน
วิศวกรที่ต้องการ ลอง Autodl เพื่อตรวจสอบว่า AutoDL ทำงานในโครงการของคุณได้หรือไม่
นักวิจัยที่ต้องการนำไปใช้และสัมผัสกับอัลกอริทึม AutoDL ใหม่ ได้อย่างง่ายดาย

ทำไมเราควรใช้โครงการ AutoDL

การพึ่งพาห้องสมุดอย่างง่าย
อัลกอริทึมทั้งหมดอยู่ใน codebase เดียวกัน
การบำรุงรักษาที่ใช้งานอยู่

ความสามารถของโครงการอัตโนมัติ

ในขณะนี้โครงการนี้ให้อัลกอริทึมและสคริปต์ต่อไปนี้เพื่อเรียกใช้ โปรดดูรายละเอียดในลิงค์ที่ให้ไว้ในคอลัมน์คำอธิบาย

พิมพ์	abbrv	อัลกอริทึม	คำอธิบาย
Nas	TAS	การตัดแต่งเครือข่ายผ่านการค้นหาสถาปัตยกรรมที่แปลงได้	Neurips-2019-Tas.md
	ลูกดอก	ปาเป้า: การค้นหาสถาปัตยกรรมที่แตกต่างกัน	ICLR-2019-DARTS.MD
	GDAs	ค้นหาสถาปัตยกรรมประสาทที่แข็งแกร่งในสี่ชั่วโมง GPU	CVPR-2019-GDAS.MD
	ตั้งค่า	การค้นหาสถาปัตยกรรมประสาทแบบหนึ่งครั้งผ่านเครือข่ายเทมเพลตที่ประเมินตนเอง	ICCV-2019-Setn.md
	NAS-BENCH-201	NAS-BENCH-201: ขยายขอบเขตของการค้นหาสถาปัตยกรรมประสาทที่ทำซ้ำได้	NAS-BENCH-201.MD
	นัตส์-บัลลังก์	Nats-Bench: การเปรียบเทียบอัลกอริทึม NAS สำหรับโทโพโลยีและขนาดของสถาปัตยกรรม	nats-bench.md
-	enas / rea / renforce / bohb	โปรดตรวจสอบเอกสารต้นฉบับ	NAS-BENCH-201.MD NATS-BENCH.MD
HPO	HPO-CG	การเพิ่มประสิทธิภาพแบบไฮเปอร์พารามิเตอร์ด้วยการไล่ระดับสีโดยประมาณ	เร็วๆ นี้
ขั้นพื้นฐาน	resnet	การจำแนกภาพที่ใช้การเรียนรู้อย่างลึกซึ้ง	baseline.md

ข้อกำหนดและการเตรียมการ

ก่อนอื่น โปรดใช้ pip install . ในการติดตั้งไลบรารี xautodl

โปรดติดตั้ง Python>=3.6 และ PyTorch>=1.5.0 (คุณสามารถใช้ Python และ Pytorch รุ่นที่ต่ำกว่าได้ แต่อาจมีข้อบกพร่อง) รหัสการสร้างภาพบางอย่างอาจต้องใช้ opencv

ควรดาวน์โหลดและแยก Cifar และ Imagenet เป็น $TORCH_HOME บางวิธีใช้การกลั่นความรู้ (KD) ซึ่งต้องการแบบจำลองที่ผ่านการฝึกอบรมมาก่อน โปรดดาวน์โหลดรุ่นเหล่านี้จาก Google Drive (หรือฝึกอบรมด้วยตัวเอง) และบันทึกลงใน .latent-data

กรุณาใช้

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

เพื่อดาวน์โหลด repo นี้ด้วย submodules

การอ้างอิง

หากคุณพบว่าโครงการนี้ช่วยวิจัยของคุณโปรดพิจารณาอ้างถึงบทความที่เกี่ยวข้อง:

 @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}
}