概述

NNI (Neural Network Intelligence) 是一个工具包，可有效的帮助用户设计并调优机器学习模型的神经网络架构，复杂系统的参数（如超参）等。 NNI 的特性包括：易于使用，可扩展，灵活，高效。

易于使用：NNI 可通过 pip 安装。只需要在代码中添加几行，就可以利用 NNI 来调优参数。可使用命令行工具或 Web 界面来查看实验过程。
可扩展：调优超参或网络结构通常需要大量的计算资源。NNI 在设计时就支持了多种不同的计算资源，如远程服务器组，训练平台（如：OpenPAI，Kubernetes），等等。通过训练平台，可拥有同时运行数百个 Trial 的能力。
灵活：除了内置的算法，NNI 中还可以轻松集成自定义的超参调优算法，神经网络架构搜索算法，提前终止算法等等。还可以将 NNI 连接到更多的训练平台上，如云中的虚拟机集群，Kubernetes 服务等等。此外，NNI 还可以连接到外部环境中的特殊应用和模型上。
高效：NNI 在系统及算法级别上不停的优化。例如：通过 Trial 早期的反馈来加速调优过程。

下图显示了 NNI 的体系结构。

主要概念

Experiment（实验）：实验是一次找到模型的最佳超参组合，或最好的神经网络架构的任务。它由 Trial 和自动机器学习算法所组成。
搜索空间：是模型调优的范围。例如，超参的取值范围。
Configuration（配置）：配置是来自搜索空间的一个参数实例，每个超参都会有一个特定的值。
Trial: Trial 是一次尝试，它会使用某组配置（例如，一组超参值，或者特定的神经网络架构）。 Trial 会基于提供的配置来运行。
Tuner: Tuner 是一个自动机器学习算法，会为下一个 Trial 生成新的配置。新的 Trial 会使用这组配置来运行。
Assessor：Assessor 分析 Trial 的中间结果（例如，测试数据集上定期的精度），来确定 Trial 是否应该被提前终止。
训练平台：是 Trial 的执行环境。根据 Experiment 的配置，可以是本机，远程服务器组，或其它大规模训练平台（如，OpenPAI，Kubernetes）。

Experiment 的运行过程为：Tuner 接收搜索空间并生成配置。这些配置将被提交到训练平台，如本机，远程服务器组或训练集群。执行的性能结果会被返回给 Tuner。然后，再生成并提交新的配置。

每次 Experiment 执行时，用户只需要定义搜索空间，改动几行代码，就能利用 NNI 内置的 Tuner/Assessor 和训练服务来搜索最好的超参组合以及神经网络结构。基本上分为三步：

第一步：定义搜索空间

第二步：改动模型代码

第三步：定义 Experiment 配置

更多 Experiment 运行的详情，参考快速入门。