awesome AutoML and Lightweight Models
1.0.0
高質量（最新）自動工程和輕量級模型的列表，包括1.）神經體系結構搜索， 2。 ）輕量級結構， 3。 ）模型壓縮，量化和加速度， 4。 ）4.）超參數優化， 5。 ）自動化功能工程。
該存儲庫的目的是為汽車研究提供信息（尤其是針對輕型模型）。歡迎來到Repo錯過的PR The Works（論文，存儲庫）。
坡度：
當NAS遇到魯棒性時：尋找針對對抗攻擊的強大架構| [ CVPR 2020 ]
在四個GPU小時內搜索強大的神經建築| [ CVPR 2019 ]
盡快：建築搜索，退火和修剪| [2019/04]
單路NAS：在不到4個小時內設計硬件有效的Convnets | [2019/04]
自動卷積神經體系結構在不同場景下搜索圖像分類| [ IEEE Access 2019 ]
SharpDarts：更快，更準確的可區分架構搜索| [2019/03]
通過參數共享學習隱式複發CNN | [ ICLR 2019 ]
概率神經建築搜索| [2019/02]
自動深度列表：分層神經體系結構搜索語義圖像分割| [2019/01]
SNA：隨機神經體系結構搜索| [ ICLR 2019 ]
FBNET：通過可區分的神經體系結構搜索硬件有效的彎曲設計| [2018/12]
神經體系結構優化| [ NIPS 2018 ]
飛鏢：可區分的體系結構搜索| [2018/06]
強化學習：
基於模板的自動搜索緊湊的語義分割體系結構| [2019/04]
了解神經體系結構搜索技術| [2019/03]
通過神經體系結構搜索快速，準確和輕巧的超分辨率| [2019/01]
移動神經體系結構搜索中的多目標增強進化| [2019/01]
無副NAS：目標任務和硬件的直接神經體系結構搜索| [ ICLR 2019 ]
使用神經自動轉移學習| [ NIPS 2018 ]
學習可轉移的架構可擴展圖像識別| [2018/07]
MNASNET：平台感知的神經體系結構搜索移動| [2018/07]
實用的塊神經網絡建築生成| [ CVPR 2018 ]
通過參數共享有效的神經體系結構搜索| [ ICML 2018 ]
通過網絡轉換|有效的體系結構搜索| [ AAAI 2018 ]
進化算法：
單一路徑一聲神經體系結構搜索均勻採樣| [2019/04]
DETNA：對象檢測的神經體系結構搜索| [2019/03]
進化的變壓器| [2019/01]
通過神經進化設計神經網絡| [自然機器智能2019 ]
EAT-NAS：用於加速大規模神經體系結構搜索的彈性建築轉移| [2019/01]
通過Lamarckian Evolution進行有效的多目標神經體系結構搜索| [ ICLR 2019 ]
SMBO：
MFA：多模式融合體系結構搜索| [ CVPR 2019 ]
DPP網絡：設備感知的漸進式搜索帕累托最佳神經體系結構| [ ECCV 2018 ]
進行性神經建築搜索| [ ECCV 2018 ]
隨機搜索：
探索以圖像識別的隨機有線神經網絡| [2019/04]
搜索有效的多尺度體系結構以獲取密集圖像預測| [ NIPS 2018 ]
超網絡：
貝葉斯優化：
部分訂單修剪
知識蒸餾
圖像分類：
高效網絡：重新思考卷積神經網絡的模型縮放| [ ICML 2019 ]
搜索MobilenetV3 | [2019/05]
語義細分：
CGNET：一個輕量級上下文指導網絡，用於語義分割| [2019/04]
ESPNETV2：輕巧，電力效率和通用卷積神經網絡| [2018/11]
ESPNET：擴張卷積的有效空間金字塔用於語義分割| [ ECCV 2018 ]
Bisenet：實時語義分割的雙邊分割網絡| [ ECCV 2018 ]
ERFNET：實時語義分割的有效剩餘分解的彎曲| [ T-ITS 2017 ]
對象檢測：
Thundernet：邁向實時通用對象檢測| [2019/03]
池化金字塔網絡用於對象檢測| [2018/09]
Tiny-dsod：用於資源限制用法的輕質對象檢測| [ BMVC 2018 ]
PELEE：移動設備上的實時對象檢測系統| [ Neurips 2018 ]
接收場塊網以進行準確和快速的對象檢測| [ ECCV 2018 ]
FSSD：功能融合單拍多伯克斯檢測器| [2017/12]
特徵金字塔網絡用於對象檢測| [ CVPR 2017 ]
修剪：
彩票票證假設：尋找稀疏，可訓練的神經網絡| [ ICLR 2019 ]
重新考慮網絡修剪的價值| [ ICLR 2019 ]
微小的神經網絡| [ ICLR 2019 ]
AMC：移動設備上的模型壓縮和加速器的汽車| [ ECCV 2018 ]
通過網絡減肥來學習有效的捲積網絡| [ ICCV 2017 ]
渠道修剪以加速非常深的神經網絡| [ ICCV 2017 ]
修剪卷積神經網絡，用於資源有效推理| [ ICLR 2017 ]
修剪過濾器以進行有效的轉向| [ ICLR 2017 ]
量化：
了解訓練激活中的直通估計器量化神經網| [ ICLR 2019 ]
量化和培訓神經網絡的有效整數僅推斷| [ CVPR 2018 ]
量化深度卷積網絡以進行有效的推斷：白皮書| [2018/06]
協議：量化神經網絡的參數化剪輯激活| [2018/05]
用於快速部署的捲積網絡的訓練後4位量化| [ ICML 2018 ]
WRPN：廣泛的減少精確網絡| [ ICLR 2018 ]
增量網絡量化：朝著低精度權重|的無損CNN | [ ICLR 2017 ]
Dorefa-net：訓練低比特寬度梯度的低位卷積神經網絡| [2016/06]
通過隨機神經元估算或傳播梯度以進行條件計算| [2013/08]
知識蒸餾
學徒：使用知識蒸餾技術來提高低精度網絡的準確性| [ ICLR 2018 ]
通過蒸餾和量化進行模型壓縮| [ ICLR 2018 ]
加速度：
使用沒有研究生的學生調整超參數：可擴展且強大的貝葉斯優化使用蜻蜓| [2019/03]
有效的高維貝葉斯優化，具有添加性和正交傅立葉特徵| [ Neurips 2018 ]
Google Vizier：用於黑盒優化的服務| [ SIGKDD 2017 ]
關於機器學習算法的超參數優化：理論和實踐| [神經計算2020 ]
使用貝葉斯優化的雲機器學習引擎中的超參數調整
貝葉斯優化概述
貝葉斯優化
NetScope CNN分析儀| [Caffe]
SKSQ96/Pytorch-Summary | [Pytorch]
lyken17/pytorch-opcounter | [Pytorch]
sovrasov/flops-counter.pytorch | [Pytorch]
