KI-Tools, bewertet für deinen Beruf
Bezahlte KI-Jobs
🤝 Du bist in der Frei-&-Open-Source-Bibliothek — von der Community entwickelte Tools, die du kostenlos nutzen kannst. Ein anderes Konzept als unser bewertetes KI-Verzeichnis.
Start › Frei & Open Source › Datenwissenschaft › darts
✦ Frei & Open SourceDatenwissenschaft

darts

Automatisiert die neuronale Architektursuche für konvolutionale und rekurrente Netzwerke mittels Gradientenabstieg.

Differentiable Architecture Search in PyTorch

Finden Sie hocheffiziente CNN- und RNN-Architekturen auf einer einzelnen GPU durch kontinuierliche Relaxation.

Für immer kostenlos · Open Source · Apache-2.0
✓ Needs IT✓ Im Browser✓ Echtzeit-Zusammenarbeit
4.4
ZEKAI
Akademische Basislinie für NAS.
Frei & Open Source · Datenwissenschaft
Einfache Einrichtung3
Nützlichkeit5
Wartung2
Community7.5
★ 3,996
GITHUB
Jan 2021
AKTUALISIERT
Apache-2.0
LIZENZ
🛠 Keine Lust auf Self-Hosting? Wir richten es ein →
⚡ Schnelle Antwort

DARTS ist eine Implementierung der differentiellen neuronalen Architektursuche für konvolutionale und rekurrente neuronale Netze. Es ersetzt Black-Box-Suchalgorithmen durch Gradientenabstieg und optimiert kontinuierliche Architekturrelaxation. Deep-Learning-Forscher sollten es verwenden, um auf einer einzelnen GPU mit automatisiertem neuralen Design zu experimentieren.

Läuft auf
Cross-platform
Hosting
Self-host
Sprachen
Python
Lizenz
Apache-2.0

Was es ist

DARTS konvertiert diskrete neuronale Zellen-Suchräume in kontinuierliche Darstellungen und ermöglicht so eine kontinuierliche Validierungsverlust-Optimierung durch Gradientenabstieg. Das Repository enthält Code zur Durchführung von Suchexperimenten für CNN-Zellen auf CIFAR-10 und RNN-Zellen auf Penn Treebank. Es enthält außerdem Evaluierungsskripte zum Trainieren entdeckter Zellen-Genotypen von Grund auf sowie Visualisierer zum Erstellen von Architekturschaubildern.

Für wen

Dieses Tool richtet sich an Deep-Learning-Forscher, die Neural Architecture Search (NAS) und AutoML-Algorithmen mit PyTorch untersuchen. Es ist nicht gedacht für produktive ML-Ingenieure, die moderne, gewartete oder sofort einsatzbereite Python-Pakete benötigen.

Wichtige Funktionen

Kontinuierliche Architekturrelaxation

Formuliert diskrete Zellwahlen als kontinuierliche Parameter, um eine direkte Optimierung via Gradientenabstieg zu ermöglichen.

CNN- und RNN-Suchräume

Bietet dedizierte Suchmodule für konvolutionale Bildklassifizierungszellen und rekurrentere Sprachmodellierungszellen.

Single-GPU-Such-Pipeline

Führt die Architektursuche mit kleineren Proxy-Modellen aus, um den Rechenaufwand auf eine GPU zu beschränken.

Genotyp-Graph-Visualisierung

Konvertiert gelernte architektonische Genotypen durch Graphviz-Integration in visuell lesbare gerichtete Graphen.

Erste Schritte

Startklar in 3 Schritten

1
Erstellen Sie eine isolierte Legacy-Umgebung mit Python 3.5.5, PyTorch 0.3.1 und torchvision 0.2.0 auf einer GPU-Maschine.
2
Führen Sie 'python train_search.py --unrolled' im cnn- oder rnn-Verzeichnis aus, um nach optimalen Zell-Genotypen zu suchen.
3
Kopieren Sie den resultierenden Genotyp-String in genotypes.py und führen Sie 'python train.py' aus, um das Modell von Grund auf zu trainieren.
Klartext

Unser ehrliches Fazit

Stärken

  • Durchsucht komplexe neuronale Zelltopologien mittels Standard-Gradientenabstieg auf einer einzelnen GPU.
  • Unterstützt sowohl Bildverarbeitungs- (konvolutionale) als auch Sprach- (rekurrente) Architektursuchaufgaben.
  • Enthält exakten Referenzcode zum Trainieren abgeleiteter Genotypen von Grund auf auf Standard-Datensätzen.
  • Bietet integrierte Graphviz-Skripte zur Visualisierung gernter neuronaler Zellstrukturen.

Schwächen

  • Erfordert veraltete Abhängigkeiten, insbesondere Python 3.5.5 und PyTorch 0.3.1, was zu modernen CUDA-Kompatibilitätsproblemen führt.
  • Erfordert die Ausführung mehrerer Such-Seeds, um ungünstige lokale Minima im kontinuierlichen Suchraum zu vermeiden.
  • Erfordert das Training von Kandidaten-Genotypen von Grund auf über 10 unabhängige Durchläufe, um die Genauigkeit korrekt zu evaluieren.
Kosten

Preise & Lizenz

DARTS ist freie Software, veröffentlicht unter der Apache-2.0-Lizenz. Die einzigen Kosten bestehen in den Kosten für den Betrieb von GPU-Rechenressourcen zur Ausführung von Such- und Evaluierungsskripten.

Bezahlte Arbeit

Stellen für Deutschsprachige

879 offene Remote-Stellen im KI-Training, aktualisiert am 16. November 2026; die meisten zahlen $20–$175 pro Stunde. 12 davon suchen Deutschsprachige. Zekai listet sie kostenlos; die Bewerbung läuft über die Plattform des Arbeitgebers.

Alle offenen Stellen ansehen →
Vergleich

Alternativen

🎁 Freie & Open-Source-Alternativen

Diese bewerteten KI-Tools erledigen die Aufgabe sofort — aus unserem bewerteten Verzeichnis.

Mehr

Nutze es, oder lass es uns einrichten

📄 Kostenloses PDF: darts für Datenwissenschaft
Ein verständlicher Leitfaden für dein erstes Ergebnis. Direkt in dein Postfach.
🔔 64 Personen wünschen sich ein komplettes Video-Tutorial — stimme ab
🛠 Keine Lust auf eigene Einrichtung?
Wir installieren, hosten & konfigurieren darts für dich — und schulen dein Team.
Erledigen lassen ↗
Fragen

FAQ

Kann ich DARTS mit modernen Versionen von PyTorch ausführen?

Das originale Repository erfordert spezifisch PyTorch 0.3.1. Das Ausführen von Version 0.4 oder höher führt ohne Code-Modifikationen zu Out-of-Memory-Fehlern.

Benötige ich einen riesigen GPU-Cluster, um die Suche durchzuführen?

Nein, der Ansatz der kontinuierlichen Relaxation ermöglicht die Durchführung der Architektursuche auf einer einzelnen GPU unter Verwendung kleiner Proxy-Netzwerke.

Radar

Neueste KI-News

✉️ Das wöchentliche kostenlose Toolkit
Die besten neuen freien & Open-Source-Tools für Datenwissenschaft — eine kurze E-Mail pro Woche, in deiner Sprache.
Kostenlos · 1 E-Mail/Woche · jederzeit abbestellbar
Mit KI-Training Geld verdienen →

Zekai zuerst in Google sehen