Koleksi pertama tolok ukur pengganti untuk arsitektur bersama dan pencarian hyperparameter (JAHS), dibangun untuk juga mendukung dan memfasilitasi penelitian tentang multi-objektif, biaya-sadar dan algoritma optimisasi multi-fidelity (multi).
Silakan lihat dokumentasi kami di sini. Rincian yang tepat tentang pengumpulan data dan proses pembuatan pengganti, serta eksperimen kami, dapat ditemukan dalam publikasi yang diasosiasi.
Menggunakan pip
pip install jahs-bench
Secara opsional, Anda dapat mengunduh data yang diperlukan untuk menggunakan tolok ukur pengganti sebelumnya
python -m jahs_bench.download --target surrogates
Untuk menguji apakah instalasi berhasil, Anda dapat, misalnya, jalankan contoh minimal dengan
python -m jahs_bench_examples.minimal
Ini harus mencicipi konfigurasi secara acak, dan menampilkan konfigurasi sampel dan hasil permintaan pengganti untuk konfigurasi itu. Catatan: Kami baru -baru ini menemukan bahwa XGBoost - perpustakaan yang digunakan untuk model pengganti kami - dapat menderita beberapa masalah ketidakcocokan dengan macOS. Pengguna yang mengalami masalah seperti itu dapat berkonsultasi dengan diskusi ini untuk detailnya.
Konfigurasi dalam ruang arsitektur gabungan dan hyperparameter (jahs) kami direpresentasikan sebagai kamus, misalnya,:
config = {
'Optimizer' : 'SGD' ,
'LearningRate' : 0.1 ,
'WeightDecay' : 5e-05 ,
'Activation' : 'Mish' ,
'TrivialAugment' : False ,
'Op1' : 4 ,
'Op2' : 1 ,
'Op3' : 2 ,
'Op4' : 0 ,
'Op5' : 2 ,
'Op6' : 1 ,
'N' : 5 ,
'W' : 16 ,
'Resolution' : 1.0 ,
}
Untuk deskripsi lengkap tentang ruang pencarian dan konfigurasi, lihat dokumentasi kami.
import jahs_bench
benchmark = jahs_bench . Benchmark ( task = "cifar10" , download = True )
# Query a random configuration
config = benchmark . sample_config ()
results = benchmark ( config , nepochs = 200 )
# Display the outputs
print ( f"Config: { config } " ) # A dict
print ( f"Result: { results } " ) # A dict
API tolok ukur kami memungkinkan pengguna untuk meminta model pengganti (default) atau tabel data kinerja, atau melatih konfigurasi dari ruang pencarian kami dari awal menggunakan pipa yang sama seperti yang digunakan oleh tolok ukur kami. Namun, pengguna harus mencatat bahwa fungsionalitas yang terakhir memerlukan instalasi jahs_bench_201
dengan komponen data_creation
opsional dan ketergantungannya yang relevan. Data yang relevan dapat diunduh secara otomatis oleh API kami. Lihat dokumentasi kami untuk detailnya.
Kami memberikan dokumentasi untuk dataset kinerja yang digunakan untuk melatih model pengganti kami dan informasi lebih lanjut tentang model pengganti kami.
Lihat repositori percobaan kami dan dokumentasi kami.
Kami mempertahankan papan peringkat untuk beberapa tugas optimisasi dan kerangka kerja algoritmik.