Progressive Differentiable Architecture Search (P-DARTS) 开源项目教程

1. 项目介绍

P-DARTS 是一种渐进式可微分架构搜索方法，它基于 DARTS 算法进行改进，能够在 CIFAR10 和 CIFAR100 数据集上进行搜索，并在 ImageNet 数据集上实现较高的分类精度。P-DARTS 通过其渐进式搜索策略，能够探索更深的网络架构，稳定性更好，易于推广到更复杂的视觉任务。

2. 项目快速启动

在开始之前，确保你的环境已经安装了 PyTorch 0.4 或更高版本，并且你的 GPU 至少有 16GB 内存。

以下是 P-DARTS 的搜索和评估过程的启动代码：

搜索阶段

python train_search.py \
--tmp_data_dir /path/to/your/data \
--save log_path \
--add_layers 6 \
--add_layers 12 \
--dropout_rate 0.1 \
--dropout_rate 0.4 \
--dropout_rate 0.7 \
--note note_of_this_run

如果要在 CIFAR100 上进行搜索，请添加 --cifar100 参数。

评估阶段

在 CIFAR10/100 上的评估：

python train_cifar.py \
--tmp_data_dir /path/to/your/data \
--auxiliary \
--cutout \
--save log_path \
--note note_of_this_run

如果要评估 CIFAR100，请添加 --cifar100 参数。

在 ImageNet (移动设置) 上的评估：

python train_imagenet.py \
--tmp_data_dir /path/to/your/data \
--save log_path \
--auxiliary \
--note note_of_this_run

测试预训练模型

使用预训练模型在 CIFAR10 和 ImageNet 上进行测试：

python test.py \
--auxiliary \
--model_path /path/to/your/model \
--data /path/to/your/data

对于 ImageNet，将 test.py 替换为 test_imagenet.py。

3. 应用案例和最佳实践

P-DARTS 的应用案例主要包括在图像分类任务中搜索高效的网络架构。最佳实践建议在搜索阶段使用足够的数据和较高的批次大小，以获得稳定的搜索结果。评估阶段应使用与搜索阶段相同的超参数设置，以确保模型性能的可靠性。

4. 典型生态项目

P-DARTS 是基于 DARTS 的改进，因此在 DARTS 生态系统中，可以找到许多相关的项目和扩展，例如 PC-DARTS 等。这些项目提供了不同的搜索策略和优化方法，以适应不同的应用场景和性能需求。

以上就是 P-DARTS 开源项目的最佳实践教程。希望对您的项目开发有所帮助。