每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

LEMUR 神经网络数据集：迈向无缝 AutoML

Created by
  • Haebom

作者

Arash Torabi Goodarzi、Roman Kochnev、Waleed Khalid、Hojjat Torabi Goudarzi、Furuiqin、Tolgay Atinc Uzun、Yashkumar Sanjaybhai Dhameliya、Yash Kanubhai Kathiriya、Zofia Antonina Bentyn、Dmitry Ignatov、Radu Timofte

大纲

LEMUR 是一个开源数据集和框架，提供大量基于 PyTorch 的神经网络，涵盖各种任务（分类、分割、检测、自然语言处理等）。所有模型均遵循统一模板，其配置和结果存储在结构化数据库中，以确保一致性和可重复性。它集成了 Optuna 的自动超参数优化、统计分析和可视化工具，并提供 API 以无缝访问性能数据。它具有可扩展性，允许添加新的模型、数据集或指标，同时保持兼容性。通过标准化实现和统一评估，它旨在加速 AutoML 研究，实现公平的基准测试，并降低大规模神经网络实验的门槛。

Takeaways, Limitations

•
Takeaways：
◦
加速 AutoML 研究
◦
可以对神经网络模型进行公平的比较和基准测试。
◦
降低大规模神经网络实验的进入门槛。
◦
提高模型的可重复性和一致性
◦
提供开源且可扩展的框架
•
Limitations：
◦
目前支持的任务类型和模型数量未来还需进一步扩展。
◦
仅限于 PyTorch，因此可能会出现与其他深度学习框架的兼容性问题。
◦
需要数据集和模型质量控制和持续更新。
◦
可能存在对特定硬件环境的依赖。
👍
Made with Slashpage