darts
Automatise la recherche d'architecture neuronale pour les réseaux convolutionnels et récurrents à l'aide de la descente de gradient.
Trouvez efficacement des architectures CNN et RNN performantes sur un seul GPU grâce à la relaxation continue.
DARTS est une implémentation de la recherche d'architecture neuronale différentiable pour les réseaux de neurones convolutionnels et récurrents. Il remplace les algorithmes de recherche boîte noire par la descente de gradient, en optimisant les relaxations d'architecture continues. Les chercheurs en deep learning devraient l'utiliser pour expérimenter la conception neuronale automatisée sur un seul GPU.
Qu'est-ce que c'est
DARTS convertit les espaces de recherche de cellules neuronales discrètes en représentations continues, permettant l'optimisation continue de la perte de validation par descente de gradient. Le dépôt contient du code pour exécuter des expériences de recherche pour des cellules CNN sur CIFAR-10 et des cellules RNN sur Penn Treebank. Il comprend également des scripts d'évaluation pour entraîner à partir de zéro les génotypes de cellules découverts et des visualiseurs pour générer des diagrammes d'architecture.
Pour qui
Cet outil convient aux chercheurs en deep learning étudiant la recherche d'architecture neuronale (NAS) et les algorithmes AutoML avec PyTorch. Il n'est pas destiné aux ingénieurs ML en production qui ont besoin de packages Python modernes, maintenus ou prêts à l'emploi.
Fonctionnalités clés
Relaxation d'architecture continue
Formule les choix de cellules discrètes en paramètres continus pour permettre une optimisation directe via la descente de gradient.
Espaces de recherche CNN et RNN
Fournit des modules de recherche dédiés pour les cellules de classification d'images convolutionnelles et les cellules de modélisation du langage récurrentes.
Pipeline de recherche sur un seul GPU
Exécute la recherche d'architecture à l'aide de modèles proxy plus petits pour maintenir les besoins de calcul à un seul GPU.
Visualisation de graphes de génotypes
Convertit les génotypes architecturaux appris en graphes orientés lisibles visuellement via l'intégration de Graphviz.
Opérationnel en 3 étapes
Notre verdict honnête
Ses atouts
- Recherche des topologies de cellules neuronales complexes à l'aide d'une descente de gradient standard sur un seul GPU.
- Prend en charge les tâches de recherche d'architecture pour la vision (convolutionnelle) et le langage (récurrent).
- Comprend le code de référence exact pour entraîner les génotypes dérivés à partir de zéro sur des datasets standard.
- Fournit des scripts Graphviz intégrés pour visualiser les structures de cellules neuronales apprises.
Ses limites
- Nécessite des dépendances obsolètes, notamment Python 3.5.5 et PyTorch 0.3.1, provoquant des problèmes de compatibilité CUDA modernes.
- Nécessite l'exécution de plusieurs graines de recherche pour éviter de mauvais minima locaux dans l'espace de recherche continu.
- Nécessite l'entraînement de génotypes candidats à partir de zéro sur 10 exécutions indépendantes pour évaluer correctement la précision.
Tarifs & licence
DARTS est un logiciel libre publié sous la licence Apache-2.0. Le seul coût impliqué est celui de l'exécution des ressources de calcul GPU pour exécuter les scripts de recherche et d'évaluation.
Missions pour francophones
874 missions ouvertes à distance en entraînement d’IA, mises à jour le 15 novembre 2026 ; la plupart paient $20–$170 de l’heure. 8 d’entre elles demandent des francophones. Zekai les liste gratuitement ; la candidature se fait sur la plateforme de l’employeur.
Alternatives
Ces outils IA évalués font le même travail instantanément — depuis notre annuaire noté.
Utilisez-le, ou laissez-nous l'installer
FAQ
Puis-je exécuter DARTS avec des versions modernes de PyTorch ?
Le dépôt d'origine nécessite spécifiquement PyTorch 0.3.1. L'exécution de la version 0.4 ou supérieure entraînera des erreurs de mémoire insuffisante sans modifications du code.
Ai-je besoin d'un cluster GPU massif pour exécuter la recherche ?
Non, l'approche par relaxation continue permet à la recherche d'architecture de s'exécuter sur un seul GPU à l'aide de petits réseaux proxy.
