这是什么?
NNI(Neural Network Intelligence)是微软开源的 AutoML 工具包,可以自动化机器学习流程中的多个环节:特征工程、神经网络架构搜索、模型压缩,以及超参数调优。
NNI(Neural Network Intelligence)是微软开源的 AutoML 工具包,可以自动化机器学习流程中的多个环节:特征工程、神经网络架构搜索、模型压缩,以及超参数调优。那它是一个我导入的 Python 库,还是一个更大的平台?它是一个用 pip 安装的 Python 工具包,在你的训练代码里直接调用;但它也能把实验扩展到 Kubernetes、OpenPAI、Kubeflow 或 AzureML 这类训练服务上运行。
它是一个用 pip 安装的 Python 工具包,在你的训练代码里直接调用;但它也能把实验扩展到 Kubernetes、OpenPAI、Kubeflow 或 AzureML 这类训练服务上运行。它支持哪些机器学习框架?开箱即用就支持 PyTorch、TensorFlow、Scikit-learn、XGBoost、LightGBM 和 MXNet,还有 Caffe2 等——所以你的模型已经在用什么框架,就能直接接上。
开箱即用就支持 PyTorch、TensorFlow、Scikit-learn、XGBoost、LightGBM 和 MXNet,还有 Caffe2 等——所以你的模型已经在用什么框架,就能直接接上。它现在还在积极维护吗?不是了——代码仓库已经归档,开发已经停止。最后一次发布是 2022 年 5 月的 v3.0 预览版,别指望有新功能或修复。
不是了——代码仓库已经归档,开发已经停止。最后一次发布是 2022 年 5 月的 v3.0 预览版,别指望有新功能或修复。Windows 上能用吗,还是只能跑在 Linux 上?都可以:它的测试范围包括 Linux 和 Windows 上的本地训练,也覆盖 Linux 到 Linux、Windows 到 Windows 这类远程场景。
都可以:它的测试范围包括 Linux 和 Windows 上的本地训练,也覆盖 Linux 到 Linux、Windows 到 Windows 这类远程场景。它到底能帮我自动化哪些事?四件事:超参数调优,支持穷举、启发式和贝叶斯搜索;神经网络架构搜索,有多次试验(multi-trial)和一次性(one-shot)两种模式;通过剪枝和量化做模型压缩;再加上特征工程。
四件事:超参数调优,支持穷举、启发式和贝叶斯搜索;神经网络架构搜索,有多次试验(multi-trial)和一次性(one-shot)两种模式;通过剪枝和量化做模型压缩;再加上特征工程。它能扩展到我的笔记本之外的集群上吗?可以——支持基于 Kubernetes 的训练服务:OpenPAI、FrameworkController 和 Kubeflow,另外还有 AzureML 和混合部署方案,适合更大规模的调优和 NAS 任务。
可以——支持基于 Kubernetes 的训练服务:OpenPAI、FrameworkController 和 Kubeflow,另外还有 AzureML 和混合部署方案,适合更大规模的调优和 NAS 任务。有没有视频可以看到实际效果?有——YouTube 上有演示视频,Bilibili 上也有频道(最后更新于 2022 年 6 月);另外还有一场网络研讨会,介绍 NNI 的深度学习探索式训练框架 Retiarii。
有——YouTube 上有演示视频,Bilibili 上也有频道(最后更新于 2022 年 6 月);另外还有一场网络研讨会,介绍 NNI 的深度学习探索式训练框架 Retiarii。What are similar projects?ray, autogluon, tpot, wandb, awesome-production-machine-learning, machine-learning-zoomcamp, onnx, CNTK
ray, autogluon, tpot, wandb, awesome-production-machine-learning, machine-learning-zoomcamp, onnx, CNTKWhich topics is it in?automl, hyperparameter-tuning, nas, hyperparameter-optimization, machine-learning-algorithms, scikit-learn, distributed, distributed-training, mlops, toolkit, tensorflow, neural-network
automl, hyperparameter-tuning, nas, hyperparameter-optimization, machine-learning-algorithms, scikit-learn, distributed, distributed-training, mlops, toolkit, tensorflow, neural-network