長期盤踞熱榜，微軟官方AutoML庫教你三步學會20+煉金基本功

機器之心報道

項目作者：微軟NNI團隊
參與：思源、一鳴

根據 GitHub 項目上的介紹，NNI（Neural Network Intelligence）意圖幫助用戶使用自動機器學習算法、幫助進行算法加速、實現更好的超參數、神經架構和模型壓縮，以及進行平台部署。大約一周前，這一開源項目更新到了 1.2 版本，並有了一個中文的官方文檔。

項目地址：https://github.com/microsoft/nni

從觀察來看，NNI 是相當全麵的 AutoML 庫了，支持很多模型、部署環境、框架和庫，也提供了很多工具和數據集。不僅如此，除了使用 CLI 進行操作之外，還提供了可視化界麵。

NNI 庫特性有什麼

根據微軟 NNI 項目文檔頁麵，我們可以了解到該項目希望自動設計並調優神經網絡架構、複雜係統的參數等。NNI 擁有如下非常優秀的特性。

NNI (Neural Network Intelligence) 是一個工具包，可有效的幫助用戶設計並調優機器學習模型的神經網絡架構，複雜係統的參數（如超參）等。NNI 的特性包括：易於使用，可擴展，靈活，高效。

易於使用：NNI 可通過 pip 安裝，隻需要在代碼中添加幾行，就可以利用 NNI 來調優超參數與模型架構。可擴展：調優超參或網絡結構通常需要大量的計算資源。NNI 在設計時就支持了多種不同的計算資源，如遠程服務器組、OpenPAI 和 Kubernetes 等訓練平台。靈活：除了內置的算法，NNI 中還可以輕鬆集成自定義的超參調優算法、神經網絡架構搜索算法、提前終止算法等等。還可以將 NNI 連接到更多的訓練平台上，如雲計算虛擬機集群、Kubernetes 服務等等。高效：NNI 在係統及算法級別上不停地優化，例如可通過 Trial 早期的反饋來加速調優過程。

下圖顯示了 NNI 的體係結構：

在 NNI 中，Experiment 指搜索最優超參組合的任務，它的運行過程可以分為：Tuner 接收搜索空間並生成配置；配置被提交到訓練平台；執行結果返回 Tuner。在每次執行超參搜索時，我們隻需要定義搜索空間，就能利用 NNI 內置的 Tuner/Assessor 以及訓練平台搜索最好的超參組合。

這樣的搜索三步走可以展示為：

NNI 庫的廣泛支持

從功能上，NNI 庫具有命令行（NNICTL）和可視化界麵（NNI Board）兩個部分，用戶可以使用它們進行管理。在 NNI 中，它內置了自動機器學習算法，並為流行的訓練平台提供了很多支持。

具體而言，NNI 支持各種深度學習框架、機器學習庫、很多機器學習算法（如超參調優搜索、神經架構搜索、模型剪枝和壓縮、特征工程等）。除了這些之外，NNI 庫還對部署環境進行了支持，不論是本地、遠程還是基於 Kubernetes 平台都可以使用。

完整的支持功能列表如下：

正確的使用姿勢

在 NNI 的整個架構中，自動模型壓縮、自動特征工程都非常吸引人，但下麵我們主要展示如何三步走搜索模型超參與架構。

超參搜索 超參搜索是 NNI 最核心、基本的功能，其中提供了許多流行的自動調優算法（Tuner）以及提前終止算法（Assessor）。這裏我們可以通過 MNIST 展示如何使用 NNI 搜索最優超參。

首先對於一般的 MNIST 建模，它的主要過程可以描述為：

NNI 項目中使用的是論文 Efficient Neural Architecture Search via Parameter Sharing 中的實現。使用的 py 文件可以在相關文件夾中找到。

目前項目仍在進一步開發的過程中，項目作者表示，希望有更多的誌願者加入到 NNI 的開源工作中，貢獻新的代碼和模型。