由于神经网络相关的巨大训练成本，快速的性能估计在神经架构搜索（NAS）中至关重要。NAS中的性能预测器将架构（编码）作为输入，并学习预测某些感兴趣的指标（例如准确性、延迟等）。在NASLib中，我们实现并比较了31种不同的性能预测器，包括学习曲线外推法、权重共享法、零成本法和基于模型的方法。我们已经在各种设置下以及针对不同指标测试了这些预测器的性能。
NAS 的性能预测器
AutoML.org
弗莱堡-汉诺威-图宾根AutoML.org
弗莱堡-汉诺威-图宾根由于神经网络相关的巨大训练成本，快速的性能估计在神经架构搜索（NAS）中至关重要。NAS中的性能预测器将架构（编码）作为输入，并学习预测某些感兴趣的指标（例如准确性、延迟等）。在NASLib中，我们实现并比较了31种不同的性能预测器，包括学习曲线外推法、权重共享法、零成本法和基于模型的方法。我们已经在各种设置下以及针对不同指标测试了这些预测器的性能。