Advertisement

Auto-PyTorch：基于 PyTorch 的自动模型架构搜索与超参数调优

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：ZIP

简介：
Auto-PyTorch是一款基于PyTorch框架的自动化机器学习工具，专为深度神经网络的设计和优化而开发。它能够自动完成模型结构的选择以及超参数的调整，从而帮助研究人员提高工作效率并探索更广泛的模型设计空间。 自动 PyTorch 版权所有 (C) 2021 尽管早期的 AutoML 框架主要集中在优化传统机器学习管道及其超参数上，但另一个 AutoML 的趋势是专注于神经架构搜索。为了将这两个领域结合起来，我们开发了Auto-PyTorch ，它能够同时稳健地优化网络架构和训练中的超参数，从而实现全自动深度学习 (AutoDL)。 Auto-PyTorch 主要用于支持表格数据（分类、回归），但也可以应用于图像数据（分类）。有关 Auto-PyTorch 中处理表格数据的最新功能，请参阅相关论文。 下一个版本处于 Alpha 状态 即将发布的 Auto-PyTorch 将通过使用 SMAC 作为底层优化工具，修改代码结构以及其他改进来进一步提高其可用性、健壮性和效率。 安装 首先克隆仓库到本地计算机： $ cd 安装路径 $ git clone https://github.com/automl/auto-sklearn.git 请参考开发分支了解更多信息。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Auto-PyTorch：基于 PyTorch 的自动模型架构搜索与超参数调优
    优质
    Auto-PyTorch是一款基于PyTorch框架的自动化机器学习工具，专为深度神经网络的设计和优化而开发。它能够自动完成模型结构的选择以及超参数的调整，从而帮助研究人员提高工作效率并探索更广泛的模型设计空间。 自动 PyTorch 版权所有 (C) 2021 尽管早期的 AutoML 框架主要集中在优化传统机器学习管道及其超参数上，但另一个 AutoML 的趋势是专注于神经架构搜索。为了将这两个领域结合起来，我们开发了Auto-PyTorch ，它能够同时稳健地优化网络架构和训练中的超参数，从而实现全自动深度学习 (AutoDL)。 Auto-PyTorch 主要用于支持表格数据（分类、回归），但也可以应用于图像数据（分类）。有关 Auto-PyTorch 中处理表格数据的最新功能，请参阅相关论文。 下一个版本处于 Alpha 状态 即将发布的 Auto-PyTorch 将通过使用 SMAC 作为底层优化工具，修改代码结构以及其他改进来进一步提高其可用性、健壮性和效率。 安装 首先克隆仓库到本地计算机： $ cd 安装路径 $ git clone https://github.com/automl/auto-sklearn.git 请参考开发分支了解更多信息。
  • Pytorch Seq2Seq Beam Search：包含注意力机制及贪心搜索的束搜索Seq2Seq模型的PyTorch实现，用于...
    优质
    本项目提供了一个基于PyTorch的Seq2Seq模型实现，包含了注意力机制和束搜索算法。相比传统的贪心搜索方法，束搜索可以生成更高质量的序列预测结果，在机器翻译等任务中表现出色。 PyTorch-seq2seq-光束搜索带有注意力机制的Seq2Seq模型在神经机器翻译中的应用。此实现注重以下几点：模块化结构以适应其他项目需求；代码简洁，便于阅读；充分利用批处理与GPU加速。 解码方法包括： 1. 贪婪搜索 2. 光束搜索 该实现依赖于外部工具来简化数据集管理和预处理工作。Seq2Seq模型的架构如下： - 编码器：双向GRU网络。 - 解码器：带有注意力机制的GRU。 注意解码方式包括： 1. 贪婪搜索 2. 光束搜索 该实现要求环境配置如下： - CUDA - Python 3.6 - PyTorch 1.4 - 火炬文本空间（可选） 此外，需要通过以下命令下载所需令牌生成器： ``` python -m spacy download de python -m spacy download en ``` 最后，为了支持GPU和CPU环境的切换，请在代码中进行相应的调整。当前实现基于GPU配置。
  • PyTorch ResNet 152模型的参数数据
    优质
    简介：本文探讨了基于PyTorch框架下的ResNet 152深度学习模型，深入分析其复杂的网络结构及庞大的参数规模，为研究与应用提供参考。 PyTorch ResNet 152 模型参数数据 关于这段文字的重写版如下： 有关 PyTorch 框架下的 ResNet 152 网络模型的相关参数信息。 请注意，原文中并未包含任何联系方式或网址链接。
  • PyTorch ResNet 152模型参数数据
    优质
    简介：本文介绍了基于PyTorch框架下的ResNet 152深度学习模型的相关参数配置和数据处理方法，旨在为研究者提供详细的参考信息。 PyTorch ResNet 152 模型的参数数据以 pth 格式的文件存储。
  • 基于Pytorch的声纹识别模型参数文件
    优质
    本段落介绍了一个使用PyTorch框架构建的声纹识别模型的参数文件。该模型通过深度学习技术进行训练，以实现对个人语音特征的有效辨识和验证。 基于Pytorch的声纹识别模型全部模型参数文件可以在GitHub上找到，源码地址为https://github.com/yeyupiaoling/VoiceprintRecognition-Pytorch。该代码库提供了详细的文档和示例，便于用户理解和使用。项目主要利用深度学习技术进行语音特征提取与分类，适用于各种声纹识别应用场景。
  • KGCN-pytorch：基于PyTorch的KGCN模型实现
    优质
    KGCN-pytorch是基于流行的深度学习框架PyTorch实现的知识图谱卷积网络(Knowledge Graph Convolutional Network, KGCN)模型。该库提供了灵活且高效的工具，用于处理和分析复杂的知识图谱数据，适用于推荐系统、问答系统等应用场景。 KGCN-火炬是推荐系统的知识图卷积网络的Pytorch实现：王宏伟、赵M、谢星、李文杰、郭敏仪在2019年网络会议论文集（WWW 2019）中的工作。 电影数据集的原始评级文件太大，无法包含在此仓库中。首先对评级数据进行分类： ``` wget http://files.grouplens.org/datasets/movielens/ml-20m.zip unzip ml-20m.zip mv ml-20m/ratings.csv data/movie/ ``` 音乐没事做其他数据集如果要使用自己的数据集，则需要准备两个文件。评分数据每行应包含（用户-ID、物品-ID和评级）。在此仓库中，它是pandas数据框结构。 知识图由每个三元组（头-关系尾）组成，在此仓库中，它们是字典类型。
  • PyTorch-Playground：探索PyTorch的基础预训练模型与数据集（包括MNIST、SVHN、CIFAR10等）
    优质
    PyTorch-Playground是一个专注于使用PyTorch框架进行机器学习研究和实践的平台。它提供了丰富的基础预训练模型及常用数据集，如MNIST手写数字识别、SVHN街景门牌号图像识别以及CIFAR10小型图片分类等资源，旨在帮助开发者快速入门并深入探索深度学习领域。 这是为Pytorch初学者准备的游乐场，提供了流行数据集上的预定义模型支持。当前我们支持的数据集包括MNIST、SVHN、CIFAR10、CIFAR100 和 STL10；而可选的神经网络架构则涵盖AlexNet, VGG（如vgg16和vgg19，带或不带batch normalization）、ResNet系列（resnet18至resnet152）以及SqueezeNet版本v0与v1、Inception_v3等。这里展示了一个针对MNIST数据集的示例代码片段： ```python import torch from torch.autograd import Variable model_raw, ds_fetcher = selector.select(mnist) ds_val = ds_fetcher(batch_size=64) # 示例中可能需要根据实际情况调整batch size参数值。 ``` 这段代码会自动下载MNIST数据集和预先训练好的模型。
  • CNNImageRetrieval-PyTorch：基于PyTorch的CNN图像检索
    优质
    CNNImageRetrieval-PyTorch 是一个使用 PyTorch 实现的深度学习项目，专注于利用卷积神经网络进行高效的图像检索。它提供了一个灵活且功能强大的框架，便于研究和开发基于 CNN 的图像相似性搜索技术。 在PyTorch中训练和评估CNN以进行图像检索是一个Python工具箱，用于实现Radenović F.、Tolias G. 和 Chum O. 在TPAMI 2018 年发表的方法的培训和测试：无需人工注释即可对CNN图像进行微调。同时它也实现了在ECCV 2016年Radonvić F., Tolias G., 和Chum O. 发表的文章《从BoW获悉的CNN图像检索：无监督的微调，并附有困难示例》中的方法。 该代码实现如下功能： - 训练（微调）CNN进行图像检索 - 学习CNN图像表示的监督美白 - 在牛津和巴黎数据集上测试CNN图像检索 为了运行此工具箱，你需要以下软件环境： - Python 3 （已使用Python 3.7.0版本在Debian 8.1系统中进行了测试） - PyTorch深度学习框架（通过了PyTorch 1.0.0版的测试） 其余所有资源（包括数据和网络）将由我们的脚本自动下载。