NASBOT 开源项目使用教程

NASBOT 开源项目使用教程

nasbot Neural Architecture Search with Bayesian Optimisation and Optimal Transport 项目地址: https://gitcode.com/gh_mirrors/na/nasbot

1. 项目介绍

NASBOT（Neural Architecture Search with Bayesian Optimisation and Optimal Transport）是一个基于贝叶斯优化和最优传输的神经架构搜索的Python实现。该项目旨在通过自动化的方式优化神经网络的架构，从而提高模型的性能。NASBOT结合了贝叶斯优化和最优传输技术，能够在神经网络架构空间中高效地搜索最优架构。

2. 项目快速启动

2.1 安装

首先，克隆NASBOT的GitHub仓库：

git clone https://github.com/kirthevasank/nasbot.git

进入项目目录并安装所需的Python包：

cd nasbot
pip install cython POT graphviz pygraphviz numpy scipy

安装TensorFlow（如果需要在GPU上运行MLP/CNN演示）：

pip install tensorflow-gpu

2.2 配置

设置HOME_PATH为NASBOT的父目录：

export HOME_PATH=<path/to/parent/directory>/nasbot

然后，运行设置脚本：

source set_up

2.3 编译Fortran库

进入Fortran库目录并编译：

cd utils/direct_fortran
bash make_direct.sh

测试Fortran库是否安装正确：

python simple_direct_test.py

2.4 运行测试

运行所有测试以确保安装正确：

bash run_all_tests.sh

3. 应用案例和最佳实践

3.1 合成函数优化

在demos目录下，demo_synthetic.py演示了如何在合成函数上使用NASBOT进行优化。

python demos/demo_synthetic.py

3.2 MLP和CNN超参数优化

demo_mlp.py和demo_cnn.py分别演示了如何在多层感知器（MLP）和卷积神经网络（CNN）上进行超参数优化。

python demos/demo_mlp.py
python demos/demo_cnn.py

3.3 自定义架构搜索任务

要使用NASBOT进行自定义架构搜索任务，需要编写一个继承自NNFunctionCaller类的FunctionCaller类，并实现_eval_validation_score(nn, qinfo)方法。可以参考demos/mlp_function_caller.py和demos/cnn_function_caller.py中的示例。

4. 典型生态项目

4.1 TensorFlow

NASBOT的MLP和CNN演示依赖于TensorFlow，TensorFlow是一个广泛使用的深度学习框架，提供了强大的计算图和自动微分功能。

4.2 PyTorch

虽然NASBOT目前主要支持TensorFlow，但PyTorch是另一个流行的深度学习框架，未来可能会支持PyTorch的集成。

4.3 Python Optimal Transport (POT)

POT库是NASBOT中用于计算最优传输距离的关键依赖，提供了高效的最优传输算法实现。

通过以上步骤，您可以快速上手NASBOT项目，并利用其强大的自动化架构搜索功能优化您的神经网络模型。

nasbot Neural Architecture Search with Bayesian Optimisation and Optimal Transport 项目地址: https://gitcode.com/gh_mirrors/na/nasbot