文件名称：TF-NAS:TF-NAS
文件大小：1MB
文件格式：ZIP
更新时间：2024-04-21 06:28:52
imagenet nas neural-architecture-search tf-nas searched-architectures
TF-NAS 论文Pytorch官方代码ECCV2020。 随着差异化神经体系结构搜索（NAS）的兴起，自动搜索受延迟限制的体系结构为减少人工和专业知识提供了新的视角。 但是，搜索的体系结构通常在精度上不是最佳的，并且可能在目标等待时间附近具有较大的抖动。 在本文中，我们重新考虑了可区分NAS的三个*度，即操作级，深度级和宽度级，并提出了一种新的方法，称为三*度NAS（TF-NAS），以实现良好的分类精度和精确度。延迟约束。 对于操作级别，我们提出了一种双采样搜索算法来缓和操作崩溃。 对于深度级别，我们引入了一个宿连接搜索空间，以确保跳过操作和其他候选操作之间的互斥，并消除了体系结构冗余。 对于宽度级别，我们提出了一种弹性缩放策略，该策略以逐步细粒度的方式实现精确的延迟约束。 ImageNet上的实验证明了TF-NAS的有效性。 尤其是，我们搜索到的TF-NAS-A获得了76.9％
【文件预览】：
TF-NAS-master
----latency_pkl()
--------README.md(719B)
--------latency_cpu.pkl(417KB)
--------make_lat_lut_example.py(18KB)
--------latency_gpu.pkl(417KB)
----.gitignore(2KB)
----README.md(7KB)
----dataset()
--------ImageNet-100-effb0_train_cls_ratio0.8.txt(3.24MB)
--------ImageNet-100-effb0_val_cls_ratio0.8.txt(829KB)
--------dataset.py(1KB)
--------__init__.py(164B)
----train_eval.py(11KB)
----test.py(4KB)
----LICENSE(1KB)
----example.sh(4KB)
----models()
--------model_search.py(12KB)
--------__init__.py(139B)
--------layers.py(14KB)
--------model_eval.py(13KB)
----checkpoints()
--------README.md(1KB)
----train_eval_amp.py(15KB)
----images()
--------overall_framework.png(145KB)
----tools()
--------config.py(19KB)
--------flops_benchmark.py(5KB)
--------utils.py(3KB)
--------__init__.py(332B)
----train_search.py(21KB)
----parsing_model.py(5KB)