AutoDL Projects下載 - AutoDL Projects源代碼下載

AutoDL Projects

Python

1.0.0

下載

自動化深度學習項目（Autodl-Projects）是每個人的開源，輕巧但有用的項目。該項目實施了幾種神經體系結構搜索（NAS）和高參數優化（HPO）算法。中文介紹見readme_cn.md

誰應該考慮使用自動項目

想嘗試不同的自動算法的初學者
想要嘗試AUTODL的工程師來研究AUTODL是否在您的項目上工作
希望輕鬆實施和體驗新的自動算法的研究人員。

我們為什麼要使用autodl-projects

簡單的庫依賴性
所有算法都在同一代碼庫中
主動維護

自動項目功能

目前，該項目提供以下算法和腳本來運行它們。請參閱“描述”列中提供的鏈接中的詳細信息。

類型	abbrv	演算法	描述
nas	tas	通過可轉換體系結構搜索進行網絡修剪	Neurips-2019-Tas.md
	飛鏢	飛鏢：可區分架構搜索	ICLR-2019-darts.md
	gdas	在四個GPU小時內搜索強大的神經建築	CVPR-2019-GDAS.MD
	設定	通過自我評估的模板網絡搜索單發神經架構搜索	ICCV-2019-setn.md
	NAS Bench-2011	NAS Bench-2011：擴展可再現神經體系結構搜索的範圍	NAS Bench-2011.md
	納斯板凳	NATS板凳：為建築拓撲和大小的基準測試NAS算法	Nats-Bench.md
...	enas / rea / readforce / bohb	請檢查原始論文	NAS-Bench-201.MD Nats-Bench.md
HPO	HPO-CG	高參數優化，近似梯度	即將推出
基本的	重新連接	基於深度學習的圖像分類	基線

要求和準備

首先，請使用pip install .安裝xautodl庫。

請安裝Python>=3.6和PyTorch>=1.5.0 。（您可以使用較低版本的Python和Pytorch，但可能有錯誤）。一些可視化代碼可能需要opencv 。

Cifar和Imagenet應下載並提取到$TORCH_HOME中。一些方法使用知識蒸餾（KD），需要預訓練的模型。請從Google Drive（或自己訓練）下載這些模型，然後將其保存到.latent-data中。

請使用

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

使用子模型下載此回購。

引用

如果您發現該項目有助於您的研究，請考慮引用相關論文：

 @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}
}