Machine learning

جستجوی معماری عصبی

جستجوی معماری عصبی (NAS) که توسط زوف و لی در سال ۲۰۱۷ معرفی شد، به جای طراحی دستی، تصمیمات معماری مانند عمق، عرض و ساختار اتصال یک شبکه را به صورت خودکار بهینه می‌کند. روش‌های پیشرو در این زمینه شامل DARTS، ENAS و Once-for-All هستند.

باز کردن در MethodMindبه‌زودیویدیوبه‌زودیDownload slides

مطالعهٔ کامل روش

ویژهٔ اعضا

برای خواندن این بخش با حساب رایگان وارد شوید.

ورود

Method map

The neighbourhood of related methods — select a node to explore.

+1 more

منابع

  1. Zoph, B. & Le, Q.V. (2017). Neural Architecture Search with Reinforcement Learning. ICLR. link
  2. Liu, H. et al. (2019). DARTS: Differentiable Architecture Search. ICLR. link

نحوهٔ استناد به این صفحه

ScholarGate. (2026, June 1). Neural Architecture Search (NAS). ScholarGate. https://scholargate.app/fa/deep-learning/neural-architecture-search

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

ارجاع‌شده در

ScholarGateNeural Architecture Search (Neural Architecture Search (NAS)). بازیابی‌شده در 2026-06-15 از https://scholargate.app/fa/deep-learning/neural-architecture-search · مجموعه‌داده: https://doi.org/10.5281/zenodo.20539026