自动化深度学习项目（AutoDL-Projects）是一个开源、轻量级且对所有人都有用的工具库。该项目实现了多种神经网络架构搜索（NAS）和超参数优化（HPO）算法。 中文介绍见README_CN.md

哪些人适合使用 AutoDL-Projects

• 想要尝试不同 AutoDL 算法的初学者
• 希望通过试用 AutoDL来评估其是否适用于自己项目的工程师
• 想要轻松实现并实验新型 AutoDL 算法的研究人员

为什么选择 AutoDL-Projects

• 依赖库简单
• 所有算法都集成在同一代码库中
• 维护活跃

AutoDL-Projects 的功能

目前，该项目提供了以下算法及其运行脚本。详细信息请参阅描述栏中提供的链接。

需求与准备

首先, 请使用 pip install . 来安装 xautodl 库。

请确保已安装 Python>=3.6 和 PyTorch>=1.5.0。（虽然可以使用较低版本的 Python 和 PyTorch，但可能会出现一些问题）。部分可视化代码可能需要 opencv。

CIFAR 和 ImageNet 数据集需下载并解压至 $TORCH_HOME 目录下。某些方法会用到知识蒸馏（KD），这需要预先训练好的模型。请从 Google Drive 下载这些模型（或自行训练），并将它们保存为 .latent-data 文件。

请使用以下命令克隆包含子模块的仓库：

git clone --recurse-submodules https://github.com/D-X-Y/AutoDL-Projects.git XAutoDL

引用

如果您发现本项目对您的研究有所帮助，请考虑引用相关论文：

@inproceedings{dong2021autohas,
  title     = {{AutoHAS}: 高效的超参数与架构搜索},
  author    = {董轩毅、谭明星、Yu Adams Wei、彭代义、Gabrys Bogdan、Le Quoc V},
  booktitle = {国际表征学习大会（ICLR）第二届神经架构搜索研讨会},
  year      = {2021}
}
@article{dong2021nats,
  title   = {{NATS-Bench}: 用于架构拓扑与规模评估的 NAS 算法基准测试},
  author  = {董轩毅、刘璐、Musial Katarzyna、Gabrys Bogdan},
  doi     = {10.1109/TPAMI.2021.3054824},
  journal = {IEEE 模式分析与机器智能汇刊（TPAMI）},
  year    = {2021},
  note    = {\mbox{doi}:\url{10.1109/TPAMI.2021.3054824}}
}
@inproceedings{dong2020nasbench201,
  title     = {{NAS-Bench-201}: 扩展可复现神经架构搜索的范围},
  author    = {董轩毅、杨毅},
  booktitle = {国际表征学习大会（ICLR）},
  url       = {https://openreview.net/forum?id=HJxyZkBKDr},
  year      = {2020}
}
@inproceedings{dong2019tas,
  title     = {基于可变换架构搜索的网络剪枝},
  author    = {董轩毅、杨毅},
  booktitle = {神经信息处理系统会议（NeurIPS）},
  pages     = {760--771},
  year      = {2019}
}
@inproceedings{dong2019one,
  title     = {通过自评估模板网络实现一次性神经架构搜索},
  author    = {董轩毅、杨毅},
  booktitle = {IEEE 国际计算机视觉大会（ICCV）论文集},
  pages     = {3681--3690},
  year      = {2019}
}
@inproceedings{dong2019search,
  title     = {四 GPU 小时内搜索鲁棒神经架构},
  author    = {董轩毅、杨毅},
  booktitle = {IEEE 计算机视觉与模式识别会议（CVPR）论文集},
  pages     = {1761--1770},
  year      = {2019}
}

其他

如果您希望为本仓库做出贡献，请参阅 CONTRIBUTING.md。 此外，请遵守 CODE-OF-CONDUCT.md。

我们使用 black 作为 Python 代码格式化工具。 请运行 black . -l 88。

许可证

整个代码库采用 MIT 许可证。

git clone --recurse-submodules https://github.com/D-X-Y/AutoDL-Projects.git XAutoDL
cd XAutoDL

pip install .

# 示例：运行 NAS-Bench-201 上的随机搜索算法 (Random Search)
# 具体命令参数请参考 docs/NAS-Bench-201.md 中的详细说明
python experiments/nas-bench-201/search-random.sh cifar10

from xautodl import nas_bench

# 初始化 NAS-Bench-201 接口
api = nas_bench.NASBench201API(archive_path="path/to/nas-bench-201-v1_0-e61699.pth")

# 查询特定架构的性能
arch_index = 0
info = api.get_meta_info_by_index(arch_index)
print(f"Architecture {arch_index} info: {info}")

black . -l 88