ProxylessNAS 项目使用教程

1. 项目目录结构及介绍

ProxylessNAS 项目的目录结构如下：

proxylessnas/
├── assets/
├── logs/
├── proxyless_gaze/
├── proxyless_nas/
├── proxyless_nas_tensorflow/
├── search/
├── training/
├── .gitignore
├── LICENSE
├── README.md
├── eval.py
├── eval_tf.py
├── hubconf.py

目录介绍

• assets/: 存放项目相关的静态资源文件。
• logs/: 存放日志文件。
• proxyless_gaze/: 与 ProxylessGaze 项目相关的代码和资源。
• proxyless_nas/: 存放 ProxylessNAS 的核心代码和预训练模型。
• proxyless_nas_tensorflow/: 存放 TensorFlow 版本的 ProxylessNAS 代码和预训练模型。
• search/: 存放神经架构搜索的代码。
• training/: 存放训练搜索到的模型的代码。
• .gitignore: Git 忽略文件配置。
• LICENSE: 项目许可证文件。
• README.md: 项目介绍和使用说明。
• eval.py: PyTorch 版本的模型评估脚本。
• eval_tf.py: TensorFlow 版本的模型评估脚本。
• hubconf.py: PyTorch Hub 配置文件。

2. 项目启动文件介绍

eval.py

eval.py 是用于评估 PyTorch 版本模型的脚本。可以通过以下命令启动：

python eval.py --path 'Your path to ImageNet' --arch proxyless_cpu

eval_tf.py

eval_tf.py 是用于评估 TensorFlow 版本模型的脚本。可以通过以下命令启动：

python eval_tf.py --path 'Your path to ImageNet' --arch proxyless_cpu

3. 项目的配置文件介绍

hubconf.py

hubconf.py 是 PyTorch Hub 的配置文件，用于加载预训练模型。可以通过以下代码加载模型：

import torch

target_platform = "proxyless_cpu"  # 可选：proxyless_gpu, proxyless_mobile, proxyless_mobile14
model = torch.hub.load('mit-han-lab/ProxylessNAS', target_platform, pretrained=True)

README.md

README.md 文件包含了项目的详细介绍、使用方法和相关链接。建议在使用项目前仔细阅读该文件。

LICENSE

LICENSE 文件包含了项目的开源许可证信息，确保在使用和修改项目时遵守相关法律和规定。

通过以上介绍，您可以快速了解 ProxylessNAS 项目的目录结构、启动文件和配置文件，并开始使用该项目进行神经架构搜索和模型评估。