目的：在自己的代码中NNI工具，进行超参数自动调优训练自己的项目，得到精度最高的一组超参数。

nni地址：

GitHub - microsoft/nni: An open source AutoML toolkit for automate machine learning lifecycle, including feature engineering, neural architecture search, model compression and hyper-parameter tuning.

使用流程

使用nni自动调参训练自己的项目需要以下几步：

1.安装nni

pip install nni

2.配置nni需要的文件

第一个文件：search_space.json

        记录搜索空间的文件，包括所有需要搜索的超参的名称和分布。

{
    "batch_size": {"_type":"choice", "_value": [16, 32, 64, 128]},
    "hidden_size":{"_type":"choice","_value":[128, 256, 512, 1024]},
    "lr":{"_type":"choice","_value":[0.0001, 0.001, 0.01, 0.1]},
    "momentum":{"_type":"uniform","_value":[0, 1]}
}

        比如搜索空间里batch_size有四个值可供选择，lr有四个值，这几项参数按照一定方法组合成为一组超参数进行训练实验。

        自己使用时可以增加自己的超参数进行实验。

        那么，超参数组合方法有哪些呢？方法在哪里指定呢？就需要配置nni的第二个文件。

第二个文件：config.yml

        指定搜索空间和Trail文件的路径等作用的文件。除此之外还提供调整算法，最大Trial运行次数和最大持续时间等参数。

authorName: default
experimentName: example_mnist
trialConcurrency: 1            			# 并行trail数量
maxExecDuration: 1h            			# 实验执行的时间上限
maxTrialNum: 10                			# Trial任务的最大数量
#choice: local, remote, pai
trainingServicePlatform: local			# 训练平台，一般为local
searchSpacePath: search_space.json		# 搜索空间，一般为search_space.json
#choice: true, false
useAnnotation: false	# 本例中我们使用的NNI API的方法进行集成，此处选择false 
                        # 如果设置了 useAnnotation=True，searchSpacePath 字段必须被删除
tuner:
  #choice: TPE, Random, Anneal, Evolution, BatchTuner, MetisTuner, GPTuner
  #SMAC (SMAC should be installed through nnictl)
  builtinTunerName: TPE                         # 优化算法
  classArgs:
    #choice: maximize, minimize
    optimize_mode: maximize
trial:
  command: python train.py             
  codeDir: .
  gpuNum: 0					 # GPU可见性设置

        可以看到，文件中指定了搜索空间文件search_space.json，组合优化算法为TPE，实验要调用的自己训练的代码train.py。

 3.在train.py中编写nni代码

借用另一位博主的代码介绍nni思路：

import nni
def main(args):
    # 下载数据
    train_loader = torch.utils.data.DataLoader(datasets.MNIST(...), batch_size=args['batch_size'], shuffle=True)
    test_loader = torch.tuils.data.DataLoader(datasets.MNIST(...), batch_size=1000, shuffle=True)
    # 构造模型
    model = Net(hidden_size=args['hidden_size'])
    optimizer = optim.SGD(model.parameters(), lr=args['lr'], momentum=args['momentum'])
    # 训练
    for epoch in range(10):
        train(args, model, device, train_loader, optimizer, epoch)
        test_acc = test(args, model, device, test_loader)
        print(test_acc)
        nni.report_intermeidate_result(test_acc)    
    print('final accuracy:', test_acc)
    # 报告评估指标
    nni.report_final_result(test_acc)
if __name__ == '__main__':
    # 设置超参数默认值
    params = {'batch_size': 32, 'hidden_size': 128, 'lr': 0.001, 'momentum': 0.5}
    # 获取一次Trail的超参数
    params = nni.get_next_parameter()
    main(params)

1.import nni

2.获取Trail中的超参数，传递给训练代码。

params = nni.get_next_parameter()

3.在训练中每一个epoch报告一次nni。

nni.report_intermeidate_result(test_acc)

4.在训练结束报告nni。

nni.report_final_result(test_acc)

4.启动nni实验

终端输入以下命令启动nni实验。

nnictl create --config config.yml  # 默认地址

nnictl create --config config.yml -p 8888 --debug  # 指定端口

        nnictl是一个命令行工具，用来控制NNI Experiment，如启动、停止、继续Experiment，启动、停止 NNIBoard 等等 

        然后可以通过终端输出的WebUI的地址，在浏览器看到 NNI 的进度。

参考链接：

HPO 教程（PyTorch 版本） — Neural Network Intelligence

浅析自动机器学习（AutoML）工具NNI（下）-阿里云开发者社区