NAS Bench 201
1.0.0
Поскольку наш NAS-Bench-201 Пожалуйста, используйте Nats-Bench, который имеет в 5 раз больше информации о архитектуре и более быстрый API, чем NAS-Bench-201.
Мы предлагаем алгоритм-алгоритм-анализ NAS (NAS-Bench-201) с фиксированным пространством поиска, которое обеспечивает унифицированный эталон практически для любых современных алгоритмов NAS. Дизайн нашего пространства поиска вдохновлен тем, который используется в самых популярных ячеек алгоритмах поиска, где ячейка представлена в качестве направленного ациклического графика. Каждое преимущество здесь связано с операцией, выбранной из предопределенного набора операций. Чтобы это было применимо для всех алгоритмов NAS, пространство поиска, определенное в NAS-Bench-201
В этом файле разметки мы предоставляем:
Для следующих двух вещей, пожалуйста, используйте AutoDL-проекты:
Примечание. Пожалуйста, используйте PyTorch >= 1.2.0 и Python >= 3.6.0 .
Вы можете просто ввести pip install nas-bench-201 для установки нашего API. Пожалуйста, смотрите исходные коды модуля nas-bench-201 в этом репо.
Если у вас есть какие -либо вопросы или проблемы, пожалуйста, опубликуйте их здесь или напишите мне.
[Установился] Старый эталонный файл NAS-Bench-2011 может быть загружен с Google Drive или Baidu-Wangpan (код: 6U5D).
[Рекомендуется] Последний эталонный файл NAS-Bench-2011 ( NAS-Bench-201-v1_1-096897.pth ) может быть загружен с Google Drive. Файлы для веса модели слишком велики (431G), и мне нужно время, чтобы загрузить его. Пожалуйста, будьте терпеливы, спасибо за понимание.
Вы можете перенести его в любое время, где захотите, и отправить его путь в наш API для инициализации.
NAS-Bench-201-v1_0-e61699.pth (2.2g), где e61699 является последним шестью цифрами для этого файла. Он содержит всю информацию, за исключением обученных весов каждого испытания.NAS-Bench-201-v1_1-096897.pth (4.7g), где 096897 является последним шестью цифрами для этого файла. Он содержит информацию о большем количестве испытаний по сравнению с NAS-Bench-201-v1_0-e61699.pth , особенно все модели, обученные 12 эпохами на всех наборах данных, доступны. Мы рекомендуем использовать NAS-Bench-201-v1_1-096897.pth
Данные обучения и оценки, используемые в NAS-Bench-201 Рекомендуется поместить эти данные в $TORCH_HOME ( ~/.torch/ по умолчанию). Если вы хотите создать NAS-Bench-201 или аналогичные наборы данных NAS или обучающие модели, вам нужны эти данные.
Больше использования можно найти в наших тестовых кодах .
from nas_201_api import NASBench201API as API
api = API('$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) и каждую архитектуру 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)
Эта строка |nor_conv_3x3~0|+|nor_conv_3x3~0|avg_pool_3x3~1|+|skip_connect~0|nor_conv_3x3~1|skip_connect~2| означает:
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
Если вы хотите загрузить обученные веса этой созданной сети, вам необходимо использовать api.get_net_param(123, ...) чтобы получить веса, а затем загрузить его в сеть.
api.get_more_info(...) может вернуть потерю / точность / время при обучении / проверке / тестовых наборах, что очень полезно. Для получения более подробной информации, пожалуйста, посмотрите на комментарии в функции get_more_info.
Для других использования см. lib/nas_201_api/api.py . Мы предоставляем некоторую информацию об использовании в комментариях для соответствующих функций. Если то, что вы хотите, не предоставляется, пожалуйста, не стесняйтесь открыть проблему для обсуждения, и я рад ответить на любые вопросы, касающиеся NAS-Bench-201.
В nas_201_api мы определяем три класса: NASBench201API , ArchResults , ResultsCount .
ResultsCount поддерживает всю информацию о конкретном испытании. Можно создать экземпляры результатов и получить информацию через следующие коды ( 000157-FULL.pth сохраняет всю информацию всех испытаний 157-го архитектуры):
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 сохраняет всю информацию о всех испытаниях архитектуры. Пожалуйста, смотрите следующие использование:
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 - самый лучший API уровня. Пожалуйста, смотрите следующие использование:
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.
Чтобы получить информацию о обучении и оценке (см. Комментарии здесь):
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)
Если вы обнаружите, что NAS-Bench-201
@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}
}
