访问官网
Github
文档
论文项目介绍：NNI
NNI 是一种自动化深度学习过程的工具，它能够帮助用户进行特征工程、神经网络架构搜索、超参数调优以及模型压缩等繁琐任务。通过NNI，研究人员和开发者可以高效地探索和优化机器学习模型。以下是关于 NNI 的详细介绍。
项目的新闻
NNI 定期推出新版本和功能。例如，最新的预览版 3.0 于 2022 年 5 月发布。此外，NNI 还上线了新的演示，可以通过 YouTube 和 Bilibili 观看。同时，NNI 团队也在学术会议上发表了相关研究论文，展示了在深度学习模型稀疏化和隐私保护在线 AutoML 方面的成果。此外，完整的文档也进行了更新，用户可以通过官方文档深入了解 NNI 的各项功能。
安装指南
安装 NNI 十分简单，可以通过 pip 安装：
$ pip install nni
如果需要更新到最新版本，只需在命令末加上 --upgrade。
NNI 的能力概览
NNI 提供广泛的功能，包括超参数调优、神经架构搜索和模型压缩。
超参数调优
NNI 支持多种超参数调优算法，包括：
- 穷举搜索（如网格搜索、随机搜索）
- 启发式搜索（如退火、进化算法、Hyperband 以及 PBT）
- 贝叶斯优化（如 BOHB、DNGO、GP、Metis、SMAC、TPE）
神经架构搜索
NNI 支持多试验搜索策略和一次性构建策略，包括：
- 多试验策略：例如，政策为基础的强化学习、正则化进化策略、TPE 等
- 一次性策略：如 DARTS、ENAS、FBNet、ProxylessNAS 和 SPOS
模型压缩
在模型压缩方面，NNI 支持多种剪枝和量化方法：
- 剪枝：如等级剪枝、L1范数、Taylor FO Weight 等
- 量化：包括 Naive、QAT、LSQ、Observer 以及 DoReFa 等
支持的框架和训练服务
NNI 支持多种机器学习框架，如 PyTorch、TensorFlow、Scikit-learn、XGBoost 和 LightGBM。此外，NNI 提供不同类型的训练服务支持，包括本地主机、远程 SSH 服务器和云服务，如 Azure Machine Learning、Kubernetes 基础设施等。
资源
NNI 提供全面的资源帮助用户上手和深入了解，包括：
- 官方文档和安装指南
- 示例代码和 Python API 参考
- 版本变更日志和相关研究论文
- 官方的 YouTube 和 Bilibili 频道
贡献指南
如果用户希望参与 NNI 的开发，NNI 提供详细的贡献指南，包括提交反馈、代码规范和行为守则。用户可以通过 GitHub 提交请求或在讨论区提出问题和新想法。
测试状态
NNI 在不同环境下进行全面的测试，包括本地、远程及通过 OpenPAI、Frameworkcontroller 和 Kubeflow 等多种平台的训练服务。详细测试状态可参考相应的持续集成链接。
相关项目
Microsoft Research 发布了多个开源项目，NNI 是其中之一，其它项目包括 OpenPAI、FrameworkController、MMdnn、SPTAG 和 nn-Meter，这些项目同样促进了 AI 开发及研究的加速。
许可证
NNI 整个代码库采用 MIT 许可证，这意味用户可以自由使用、复制和修改代码。
看完这篇简单的介绍，相信你对 NNI 已经有了基础的了解，无论是个人研究还是企业应用，NNI 都是一个强大的工具助力你的深度学习旅程。
