NAS Bench 201
1.0.0
منذ أن تم تمديد NAS-Bench-201 إلى Nats-Bench ، يتم إهمال هذا الريبو ولم يتم الحفاظ عليه. يرجى استخدام NATS-BENCER ، التي تحتوي على معلومات بنية 5x و API بشكل أسرع من NAS-BENCH-201.
نقترح معايير NAS-Agnostic NAS خوارزمية (NAS-BENCH-201) مع مساحة بحث ثابت ، والتي توفر معيارًا موحدًا لأي خوارزميات NAS محدثة تقريبًا. إن تصميم مساحة البحث الخاصة بنا مستوحى من تلك المستخدمة في خوارزميات البحث الأكثر شعبية القائمة على الخلايا ، حيث يتم تمثيل الخلية كرسوم رسم بياني موجهة. يرتبط كل حافة هنا بعملية محددة من مجموعة تشغيل محددة مسبقًا. لكي تكون قابلة للتطبيق على جميع خوارزميات NAS ، تتضمن مساحة البحث المحددة في NAS-BENCH-201 4 عقود و 5 خيارات التشغيل المرتبطة بها ، والتي تولد 15،625 مرشحًا للخلايا العصبية في المجموع.
في ملف التخفيض هذا ، نقدم:
بالنسبة للأمرين التاليين ، يرجى استخدام المشاريع التلقائية:
ملاحظة: يرجى استخدام PyTorch >= 1.2.0 و Python >= 3.6.0 .
يمكنك ببساطة كتابة pip install nas-bench-201 لتثبيت واجهة برمجة التطبيقات الخاصة بنا. يرجى الاطلاع على رموز المصدر لوحدة nas-bench-201 في هذا الريبو.
إذا كان لديك أي أسئلة أو مشكلات ، فيرجى نشرها هنا أو مراسلتي عبر البريد الإلكتروني.
[إهمال] يمكن تنزيل الملف القياسي القديم لـ NAS-Bench-2010 من Google Drive أو Baidu-Wangpan (الرمز: 6U5D).
[موصى به] يمكن تنزيل أحدث ملف قياسي لـ NAS-BENCH-2010 ( NAS-Bench-201-v1_1-096897.pth ) من Google Drive. ملفات وزن النموذج كبيرة جدًا (431 جم) وأحتاج إلى بعض الوقت لتحميله. يرجى التحلي بالصبر ، شكرا لتفهمك.
يمكنك نقله إلى أي مكان تريده وإرسال طريقه إلى واجهة برمجة التطبيقات الخاصة بنا للتهيئة.
e61699 NAS-Bench-201-v1_0-e61699.pth أنه يحتوي على جميع المعلومات باستثناء الأوزان المدربة لكل تجربة.NAS-Bench-201-v1_1-096897.pth (4.7G) ، حيث 096897 هو آخر ست أرقام لهذا الملف. أنه يحتوي على معلومات حول المزيد من التجارب مقارنةً بـ NAS-Bench-201-v1_0-e61699.pth ، لا سيما جميع النماذج التي تم تدريبها بواسطة 12 عصرًا على جميع مجموعات البيانات. نوصي باستخدام NAS-Bench-201-v1_1-096897.pth
يمكن تنزيل بيانات التدريب والتقييم المستخدمة في NAS-Bench-2010 من Google Drive أو Baidu-Wangpan (الرمز: 4FG7). يوصى بوضع هذه البيانات في $TORCH_HOME ( ~/.torch/ افتراضيًا). إذا كنت ترغب في إنشاء NAS-Bench-201 أو مجموعات بيانات NAS أو نماذج التدريب المماثلة بنفسك ، فأنت بحاجة إلى هذه البيانات.
يمكن العثور على مزيد من الاستخدام في رموز الاختبار الخاصة بنا .
from nas_201_api import NASBench201API as API
api = API('$path_to_meta_nas_bench_file')
# Create an API without the verbose log
api = API('NAS-Bench-201-v1_1-096897.pth', verbose=False)
# The default path for benchmark file is '{:}/{:}'.format(os.environ['TORCH_HOME'], 'NAS-Bench-201-v1_1-096897.pth')
api = API(None)
len(api) وكل API API api[i] : num = len(api)
for i, arch_str in enumerate(api):
print ('{:5d}/{:5d} : {:}'.format(i, len(api), arch_str))
# show all information for a specific architecture
api.show(1)
api.show(2)
# show the mean loss and accuracy of an architecture
info = api.query_meta_info_by_index(1) # This is an instance of `ArchResults`
res_metrics = info.get_metrics('cifar10', 'train') # This is a dict with metric names as keys
cost_metrics = info.get_comput_costs('cifar100') # This is a dict with metric names as keys, e.g., flops, params, latency
# get the detailed information
results = api.query_by_index(1, 'cifar100') # a dict of all trials for 1st net on cifar100, where the key is the seed
print ('There are {:} trials for this architecture [{:}] on cifar100'.format(len(results), api[1]))
for seed, result in results.items():
print ('Latency : {:}'.format(result.get_latency()))
print ('Train Info : {:}'.format(result.get_train()))
print ('Valid Info : {:}'.format(result.get_eval('x-valid')))
print ('Test Info : {:}'.format(result.get_eval('x-test')))
# for the metric after a specific epoch
print ('Train Info [10-th epoch] : {:}'.format(result.get_train(10)))
index = api.query_index_by_arch('|nor_conv_3x3~0|+|nor_conv_3x3~0|avg_pool_3x3~1|+|skip_connect~0|nor_conv_3x3~1|skip_connect~2|')
api.show(index)
هذه السلسلة |nor_conv_3x3~0|+|nor_conv_3x3~0|avg_pool_3x3~1|+|skip_connect~0|nor_conv_3x3~1|skip_connect~2| وسائل:
node-0: the input tensor
node-1: conv-3x3( node-0 )
node-2: conv-3x3( node-0 ) + avg-pool-3x3( node-1 )
node-3: skip-connect( node-0 ) + conv-3x3( node-1 ) + skip-connect( node-2 )
config = api.get_net_config(123, 'cifar10') # obtain the network configuration for the 123-th architecture on the CIFAR-10 dataset
from models import get_cell_based_tiny_net # this module is in AutoDL-Projects/lib/models
network = get_cell_based_tiny_net(config) # create the network from configurration
print(network) # show the structure of this architecture
إذا كنت ترغب في تحميل الأوزان المدربة لهذه الشبكة التي تم إنشاؤها ، فأنت بحاجة إلى استخدام api.get_net_param(123, ...) للحصول على الأوزان ثم تحميلها على الشبكة.
api.get_more_info(...) يمكنه إرجاع الخسارة / الدقة / الوقت على مجموعات التدريب / التحقق / الاختبار ، وهو أمر مفيد للغاية. لمزيد من التفاصيل ، يرجى إلقاء نظرة على التعليقات في وظيفة get_more_info.
للاستخدامات الأخرى ، يرجى الاطلاع على lib/nas_201_api/api.py . نحن نقدم بعض معلومات الاستخدام في التعليقات للوظائف المقابلة. إذا لم يتم توفير ما تريده ، فلا تتردد في فتح مشكلة للمناقشة ، ويسعدني الإجابة على أي أسئلة بخصوص NAS-Bench-2010.
في nas_201_api ، نحدد ثلاث فئات: NASBench201API ، ArchResults ، ResultsCount .
تحافظ ResultsCount على جميع المعلومات المتعلقة بتجربة محددة. يمكن للمرء أن ينشئ النتائج والحصول على المعلومات عبر الرموز التالية ( 000157-FULL.pth يحفظ جميع المعلومات من جميع تجارب الهندسة المعمارية 157):
from nas_201_api import ResultsCount
xdata = torch.load('000157-FULL.pth')
odata = xdata['full']['all_results'][('cifar10-valid', 777)]
result = ResultsCount.create_from_state_dict( odata )
print(result) # print it
print(result.get_train()) # print the final training loss/accuracy/[optional:time-cost-of-a-training-epoch]
print(result.get_train(11)) # print the training info of the 11-th epoch
print(result.get_eval('x-valid')) # print the final evaluation info on the validation set
print(result.get_eval('x-valid', 11)) # print the info on the validation set of the 11-th epoch
print(result.get_latency()) # print the evaluation latency [in batch]
result.get_net_param() # the trained parameters of this trial
arch_config = result.get_config(CellStructure.str2structure) # create the network with params
net_config = dict2config(arch_config, None)
network = get_cell_based_tiny_net(net_config)
network.load_state_dict(result.get_net_param())
يحافظ ArchResults على جميع المعلومات عن جميع تجارب الهندسة المعمارية. يرجى الاطلاع على الاستخدامات التالية:
from nas_201_api import ArchResults
xdata = torch.load('000157-FULL.pth')
archRes = ArchResults.create_from_state_dict(xdata['less']) # load trials trained with 12 epochs
archRes = ArchResults.create_from_state_dict(xdata['full']) # load trials trained with 200 epochs
print(archRes.arch_idx_str()) # print the index of this architecture
print(archRes.get_dataset_names()) # print the supported training data
print(archRes.get_compute_costs('cifar10-valid')) # print all computational info when training on cifar10-valid
print(archRes.get_metrics('cifar10-valid', 'x-valid', None, False)) # print the average loss/accuracy/time on all trials
print(archRes.get_metrics('cifar10-valid', 'x-valid', None, True)) # print loss/accuracy/time of a randomly selected trial
NASBench201API هو Topest Level API. يرجى الاطلاع على الاستخدامات التالية:
from nas_201_api import NASBench201API as API
api = API('NAS-Bench-201-v1_1-096897.pth') # This will load all the information of NAS-Bench-201 except the trained weights
api = API('{:}/{:}'.format(os.environ['TORCH_HOME'], 'NAS-Bench-201-v1_1-096897.pth')) # The same as the above line while I usually save NAS-Bench-201-v1_1-096897.pth in ~/.torch/.
api.show(-1) # show info of all architectures
api.reload('{:}/{:}'.format(os.environ['TORCH_HOME'], 'NAS-BENCH-201-4-v1.0-archive'), 3) # This code will reload the information 3-th architecture with the trained weights
weights = api.get_net_param(3, 'cifar10', None) # Obtaining the weights of all trials for the 3-th architecture on cifar10. It will returns a dict, where the key is the seed and the value is the trained weights.
للحصول على معلومات التدريب والتقييم (يرجى الاطلاع على التعليقات هنا):
api.get_more_info(112, 'cifar10', None, hp='200', is_random=True)
# Query info of last training epoch for 112-th architecture
# using 200-epoch-hyper-parameter and randomly select a trial.
api.get_more_info(112, 'ImageNet16-120', None, hp='200', is_random=True)
إذا وجدت أن NAS-BENCH-201 يساعد بحثك ، فيرجى التفكير في ذلك:
@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}
}
