标签：content 下载 pip 优化 答复 via for 使用 高效
Vega 是诺亚方舟实验室自研的 AutoML 算法工具链，有主要特点：
| 分类 | 算法 | 说明 | 参考 |
|---|---|---|---|
| NAS | SM-NAS: Structural-to-Modular NAS | 两阶段物体检测架构搜索算法 | 开发中 |
| NAS | CARS: Continuous Evolution for Efficient Neural Architecture Search | 基于连续进化的多目标高效神经网络结构搜索方法 | 参考 |
| NAS | SR-EA | 适用于轻量级网络的自动网络架构搜索方法 | 参考 |
| NAS | ESR-EA: Efficient Residual Dense Block Search for Image Super-resolution | 基于网络架构搜索的多目标图像超分方法 | 参考 |
| NAS | Adelaide-EA: SEGMENTATION-Adelaide-EA-NAS | 图像分割网络架构搜索算法 | 参考 |
| NAS | SP-NAS: Serial-to-Parallel Backbone Search for Object Detection | 面向物体检测及语义分割的高效主干网络架构搜索算法 | 参考 |
| NAS | Auto-Lane: CurveLane-NAS | 一种端到端的车道线架构搜索算法 | 开发中 |
| Model Compression | Quant-EA: Quantization based on Evolutionary Algorithm | 自动混合比特量化算法，使用进化策略对 CNN 网络结构每层量化位宽进行搜索 | 参考 |
| Model Compression | Prune-EA | 使用进化策略对 CNN 网络结构进行自动剪枝压缩算法 | 参考 |
| HPO | ASHA: Asynchronous Successive Halving Algorithm | 动态连续减半算法 | 参考 |
| HPO | TPE: Tree-structured Parzen Estimator Approach | 一种基于树状结构 Parzen 估计方法的超参优化算法 | 参考 |
| HPO | BO: Bayesian Optimization | 贝叶斯优化算法 | 参考 |
| HPO | BOHB: Hyperband with Bayesian Optimization | 动态连续减半算法 | 参考 |
| HPO | BOSS: Bayesian Optimization via Sub-Sampling | 基于贝叶斯优化框架下的一种针对计算资源受限，需要高效搜索的，具有普适性的超参优化算法 | 参考 |
| Data Augmentation | PBA: Population Based Augmentation: Efficient Learning of Augmentation Policy Schedules | 基于 PBT 优化算法搜索数据增广策略时刻表的数据增广算法 | 参考 |
| Data Augmentation | cyclesr: CycleGAN + SR | 底层视觉的无监督风格迁移算法 | 参考 |
| Fully Train | FMD | 基于特征图扰动的神经网络训练方法 | 参考 |
请获取最新版本，参考安装指导完成安装，若希望在集群中部署 Vega，请参考部署指导。
Vega 高度模块化，可通过配置可完成搜索空间、搜索算法、pipeline 的构建，运行 Vega 应用就是加载配置文件，并根据配置来完成 AutoML 流程。 同时 Vega 提供了详细的操作示例供大家参考，可参考示例参考，如运行 CARS 算法示例：
cd examples
python3 ./run_example.py ./nas/cars/cars.yml
在使用 Vega 前，有必要充分了解配置项的含义，请参考配置指导。
注意：
在运行示例前，需要在算法配置文件中配置数据集和预训练模型目录，缺省目录请参考示例参考。
Vega 框架组件解耦，并采用注册机制来组合各个功能组件，便于扩充功能和算法，可参考开发者指导，了解 Vega 架构和主要机制。
同时可参考快速入门指导，通过实现一个简单的 CNN 网络搜索功能，通过实战快速进入 Vega 应用开发。
在 Vega 应用的开发中，最先遇到的问题就是，如何引入业务数据集到 Vega 中，可参考数据集指导。
针对不同的算法，可参考算法开发指导，可根据文中提供的示例，一步步的将新算法添加到 Vega 中。
在 Automl 的大多数算法中搜索空间和网络是强相关强耦合的，我们尝试统一搜索空间的定义方式，使得同一种搜索空间能够适配不同的搜索算法，我们称之为细粒度搜索空间指导，欢迎大家尝试使用。
当然文档解决不了所有的疑问和问题，若你在使用中遇到任何问题，请及时通过 issue 反馈，我们会及时答复和解决。
| 对象 | 参考 |
|---|---|
| 用户 | 安装指导、部署指导、配置指导、示例参考、任务参考 (分类、检测、分割、超分) |
| 开发者 | API 参考、开发者指导、快速入门指导、数据集指导、算法开发指导、细粒度搜索空间指导 |
欢迎大家使用 Vega，有任何疑问、求助、修改 bug、贡献算法、完善文档，请在社区提交 issue，我们会及时回复沟通交流。 欢迎大家加入我们的 QQ 群: 833345709。
《Vega 是诺亚方舟实验室自研的 AutoML 算法工具链》
标签：content 下载 pip 优化 答复 via for 使用 高效
原文地址：https://www.cnblogs.com/cx2016/p/13282293.html
