NAS Bench 201
1.0.0
Desde que nosso bancada NAS-201 foi estendido ao banco de nAs, esse repositório é preterido e não é mantido. Por favor, use o NATS-BEMCH, que possui mais informações de arquitetura e API mais rápida que o NAS-Bench-201.
Propomos um benchmark NAS agnóstico de algoritmo (NAS-BEMCH-201) com um espaço de pesquisa fixo, que fornece uma referência unificada para quase todos os algoritmos NAS atualizados. O design do nosso espaço de pesquisa é inspirado no usado nos algoritmos de pesquisa mais populares baseados em células, onde uma célula é representada como um gráfico acíclico direcionado. Cada borda aqui está associada a uma operação selecionada de um conjunto de operações predefinido. Para que seja aplicável a todos os algoritmos do NAS, o espaço de pesquisa definido no NAS-Bench-201 inclui 4 nós e 5 opções de operação associadas, o que gera 15.625 candidatos a células neurais no total.
Neste arquivo de marcação, fornecemos:
Para as duas coisas a seguir, use os projetos do AutoDL:
Nota: Use PyTorch >= 1.2.0 e Python >= 3.6.0 .
Você pode simplesmente digitar pip install nas-bench-201 para instalar nossa API. Consulte os códigos de origem do módulo nas-bench-201 neste repositório.
Se você tiver alguma dúvida ou problemas, publique aqui ou envie um email.
[Depreciado] O antigo arquivo de referência do NAS-Bench-201 pode ser baixado do Google Drive ou do Baidu-Wangpan (Código: 6U5D).
[Recomendado] O mais recente arquivo de referência do NAS-Bench-201 ( NAS-Bench-201-v1_1-096897.pth ) pode ser baixado do Google Drive. Os arquivos para o peso do modelo são muito grandes (431g) e eu preciso de algum tempo para carregá -lo. Por favor, seja paciente, obrigado pela sua compreensão.
Você pode movê -lo para qualquer lugar que desejar e enviar seu caminho para a nossa API para inicialização.
NAS-Bench-201-v1_0-e61699.pth (2.2G), onde e61699 é o último seis dígitos para este arquivo. Ele contém todas as informações, exceto os pesos treinados de cada tentativa.NAS-Bench-201-v1_1-096897.pth (4.7G), onde 096897 são os últimos seis dígitos para este arquivo. Ele contém informações de mais ensaios em comparação com NAS-Bench-201-v1_0-e61699.pth , especialmente todos os modelos treinados por 12 épocas em todos os conjuntos de dados estão disponíveis. Recomendamos usar NAS-Bench-201-v1_1-096897.pth
Os dados de treinamento e avaliação utilizados no NAS-Bench-201 podem ser baixados do Google Drive ou do Baidu-Wangpan (Código: 4FG7). Recomenda -se colocar esses dados em $TORCH_HOME ( ~/.torch/ por padrão). Se você deseja gerar o NAS-Bench-201 ou os conjuntos de dados NAS similares ou modelos de treinamento sozinho, você precisa desses dados.
Mais uso pode ser encontrado em nossos códigos de teste .
from nas_201_api import NASBench201API as API
api = API('$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) e cada 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)
Esta string |nor_conv_3x3~0|+|nor_conv_3x3~0|avg_pool_3x3~1|+|skip_connect~0|nor_conv_3x3~1|skip_connect~2| significa:
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
Se você deseja carregar os pesos treinados desta rede criada, é necessário usar api.get_net_param(123, ...) para obter os pesos e carregá -lo na rede.
api.get_more_info(...) pode retornar a perda / precisão / tempo nos conjuntos de treinamento / validação / teste, o que é muito útil. Para mais detalhes, consulte os comentários na função get_more_info.
Para outros usos, consulte lib/nas_201_api/api.py . Fornecemos algumas informações de uso nos comentários para as funções correspondentes. Se o que você deseja não for fornecido, sinta-se à vontade para abrir um problema para discussão e fico feliz em responder a quaisquer perguntas sobre o NAS-Bench-201.
Em nas_201_api , definimos três classes: NASBench201API , ArchResults , ResultsCount .
ResultsCount mantém todas as informações de um estudo específico. Pode-se instanciar resultados de resultados e obter as informações através dos seguintes códigos ( 000157-FULL.pth salva todas as informações de todos os ensaios da arquitetura de 157º):
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())
ArchResults mantém todas as informações de todos os ensaios de uma arquitetura. Por favor, veja os seguintes usos:
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 é a API de nível superior. Por favor, veja os seguintes usos:
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.
Para obter as informações de treinamento e avaliação (consulte os comentários aqui):
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)
Se você achar que o NAS-banch-201 ajuda sua pesquisa, considere citá-lo:
@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}
}
