ชุดแรกของเกณฑ์มาตรฐานตัวแทนสำหรับสถาปัตยกรรมร่วมและการค้นหา hyperparameter (JAHS) ที่สร้างขึ้นเพื่อสนับสนุนและอำนวยความสะดวกในการวิจัยเกี่ยวกับอัลกอริทึมการเพิ่มประสิทธิภาพแบบหลายวัตถุประสงค์
โปรดดูเอกสารของเราที่นี่ รายละเอียดที่แม่นยำเกี่ยวกับการรวบรวมข้อมูลและกระบวนการสร้างตัวแทนรวมถึงการทดลองของเราสามารถพบได้ในสิ่งพิมพ์ที่ถูกไล่ออก
ใช้ PIP
pip install jahs-bench
ทางเลือกคุณสามารถดาวน์โหลดข้อมูลที่จำเป็นในการใช้เกณฑ์มาตรฐานตัวแทนล่วงหน้าก่อนเวลา
python -m jahs_bench.download --target surrogates
ในการทดสอบว่าการติดตั้งสำเร็จคุณสามารถทำได้เช่นเรียกใช้ตัวอย่างน้อยที่สุดด้วย
python -m jahs_bench_examples.minimal
สิ่งนี้ควรสุ่มตัวอย่างการกำหนดค่าและแสดงทั้งการกำหนดค่าตัวอย่างและผลลัพธ์ของการสืบค้นตัวแทนสำหรับการกำหนดค่านั้น หมายเหตุ: เราได้ค้นพบเมื่อเร็ว ๆ นี้ว่า XGBOOST - ห้องสมุดที่ใช้สำหรับโมเดลตัวแทนของเรา - สามารถประสบปัญหาความไม่ลงรอยกันกับ MacOS ผู้ใช้ที่พบปัญหาดังกล่าวอาจปรึกษาการสนทนานี้เพื่อดูรายละเอียด
การกำหนดค่าในพื้นที่สถาปัตยกรรมร่วมของเราและพื้นที่ไฮเปอร์พารามิเตอร์ (JAHS) แสดงเป็นพจนานุกรมเช่น:
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 ,
}
สำหรับคำอธิบายแบบเต็มเกี่ยวกับพื้นที่ค้นหาและการกำหนดค่าดูเอกสารประกอบของเรา
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 ของเกณฑ์มาตรฐานของเราช่วยให้ผู้ใช้สามารถสืบค้นโมเดลตัวแทน (ค่าเริ่มต้น) หรือตารางข้อมูลประสิทธิภาพหรือฝึกอบรมการกำหนดค่าจากพื้นที่ค้นหาของเราตั้งแต่เริ่มต้นโดยใช้ไปป์ไลน์เดียวกันกับที่ใช้โดยเกณฑ์มาตรฐานของเรา อย่างไรก็ตามผู้ใช้ควรทราบว่าฟังก์ชั่นหลังต้องการการติดตั้ง jahs_bench_201
ด้วยส่วนประกอบ data_creation
เป็นตัวเลือกและการพึ่งพาที่เกี่ยวข้อง ข้อมูลที่เกี่ยวข้องสามารถดาวน์โหลดได้โดย API ของเราโดยอัตโนมัติ ดูเอกสารของเราสำหรับรายละเอียด
เราจัดทำเอกสารสำหรับชุดข้อมูลประสิทธิภาพที่ใช้ในการฝึกอบรมโมเดลตัวแทนของเราและข้อมูลเพิ่มเติมเกี่ยวกับโมเดลตัวแทนของเรา
ดูที่เก็บการทดลองของเราและเอกสารประกอบของเรา
เรารักษากระดานผู้นำสำหรับงานการเพิ่มประสิทธิภาพหลายอย่างและกรอบอัลกอริทึม