معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

A benchmark for NAS algorithms

ویژگی	مقدار
سیستم عامل	-
نام فایل	evoxbench-1.0.3
نام	evoxbench
نسخه کتابخانه	1.0.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	EMI-Group
ایمیل نویسنده	emi-group@outlook.com
آدرس صفحه اصلی	https://github.com/EMI-Group/evoxbench
آدرس اینترنتی	https://pypi.org/project/evoxbench/
مجوز	-

# Neural Architecture Search as Multiobjective Optimization Benchmarks: Problem Formulation and Performance Assessment [[arXiv]](https://arxiv.org/abs/2208.04321) ## Introduction to EvoXBench - Click on the image to watch the video. [![Watch the video](https://github.com/EMI-Group/evoxbench/blob/main/assets/video%20cover.png)](https://www.emigroup.tech/wp-content/uploads/2023/02/tutorial.mp4) - Please note that the calculation of IGD is only applicable to problems derived from search spaces that can be exhaustively evaluated (i.e., C-10/MOP1 - C-10/MOP7). This is because the true Pareto Fronts are available for such problems. For problems derived on the basis of surrogate models (i.e., C-10/MOP8 - C-10/MOP9 and IN-1K/MOP1 - IN-1K/MOP9), the true Pareto Fronts are unknown and we cannot calculate IGD. ## Preparation Steps 1. Download the following two requried files: - ``database.zip`` file from [Google Drive](https://drive.google.com/file/d/11bQ1paHEWHDnnTPtxs2OyVY_Re-38DiO/view?usp=sharing) or [Baidu云盘（提取码：mhgs）](https://pan.baidu.com/s/1PwWloA543-81O-GFkA7GKg) - ``data.zip`` file from [Google Drive](https://drive.google.com/file/d/1fUZtpTjfEQao2unLKaspL8fOq4xdSXt2/view?usp=sharing) or [Baidu云盘（提取码：lfib）](https://pan.baidu.com/s/1yopkISKyjbWIHXFV_Op3pg) 2. ``pip install evoxbench`` to install the benchmark. 3. Configure the benchmark via the following steps: ```python from evoxbench.database.init import config config("Path to databae", "Path to data") # For example # If you have the following structure # /home/Downloads/ # └─ database/ # | | __init__.py # | | db.sqlite3 # | | ... # | # └─ data/ # └─ darts/ # └─ mnv3/ # └─ ... # Then you should do: # config("/home/Downloads/database", "/home/Downloads/data") ``` ## Database Visit this webpage for more information: https://github.com/liuxukun2000/evoxdatabase ## Support - You can ask any question in [issues block](https://github.com/EMI-Group/evoxbench/issues) and upload your contribution by pulling request (PR). - If you have any question, please join the QQ group to ask questions (Group number: 297969717). <img src="https://github.com/EMI-Group/evoxbench/blob/main/assets/QQ%20Group%20%20Number.jpg" width="20%"> ## Acknowledgement Codes are developed upon: [NAS-Bench-101](https://github.com/google-research/nasbench) , [NAS-Bench-201](https://github.com/D-X-Y/NAS-Bench-201), [NAS-Bench-301](https://github.com/automl/nasbench301) , [NATS-Bench](https://xuanyidong.com/assets/projects/NATS-Bench) , [Once for All](https://github.com/mit-han-lab/once-for-all) , [AutoFormer](https://github.com/microsoft/Cream/tree/main/AutoFormer), [Django](https://www.djangoproject.com/) , [pymoo](https://pymoo.org/)

نیازمندی

مقدار	نام
-	pyyaml
-	django
-	numpy
-	scikit-learn
-	scipy

زبان مورد نیاز

مقدار	نام
>=3.7, <4	Python

نحوه نصب

نصب پکیج whl evoxbench-1.0.3:

pip install evoxbench-1.0.3.whl

نصب پکیج tar.gz evoxbench-1.0.3:

pip install evoxbench-1.0.3.tar.gz