在深度学习中，用 CNN 来分类 MNIST 数据，就像介绍编程语言中的 hello world 样例。 因此，NNI 将 MNIST 作为样例来介绍功能。 样例如下：
- MNIST 中使用 NNI API
- MNIST 中使用 NNI 标记（annotation）
- 在 Keras 中使用 MNIST
- MNIST -- 用批处理调参器来调优
- MNIST -- 用 hyperband 调优
- MNIST -- 用嵌套搜索空间调优
- 用 Kubeflow 运行分布式的 MNIST (tensorflow)
- 用 Kubeflow 运行分布式的 MNIST (PyTorch)
这是个简单的卷积网络，有两个卷积层，两个池化层和一个全连接层。 调优的超参包括 dropout 比率，卷积层大小，隐藏层（全连接层）大小等等。 它能用 NNI 中大部分内置的调参器来调优，如 TPE，SMAC，Random。 样例的 YAML 文件也启用了评估器来提前终止一些中间结果不好的尝试。
代码目录: examples/trials/mnist/
此样例与上例类似，上例使用的是 NNI API 来指定搜索空间并返回结果，而此例使用的是 NNI 标记。
代码目录: examples/trials/mnist-annotation/
此样例由 Keras 实现。 这也是 MNIST 数据集的网络，包括两个卷积层，一个池化层和两个全连接层。
代码目录: examples/trials/mnist-keras/
此样例演示了如何使用批处理调参器。 只需要在搜索空间文件中列出所有要尝试的配置， NNI 会逐个尝试。
代码目录: examples/trials/mnist-batch-tune-keras/
此样例演示了如何使用 hyperband 来调优模型。 在尝试收到的配置中，有个主键叫做 STEPS，尝试要用它来控制运行多长时间（例如，控制迭代的次数）。
代码目录: examples/trials/mnist-hyperband/
此样例演示了 NNI 如何支持嵌套的搜索空间。 搜索空间文件示了如何定义嵌套的搜索空间。
代码目录: examples/trials/mnist-cascading-search-space/
用 Kubeflow 运行分布式的 MNIST (tensorflow)
此样例展示了如何通过 NNI 来在 Kubeflow 上运行分布式训练。 只需要简单的提供分布式训练代码，并在配置文件中指定 kubeflow 模式。 例如，运行 ps 和 worker 的命令行，以及各自需要的资源。 此样例使用了 Tensorflow 来实现，因而，需要使用 Kubeflow 的 tf-operator。
代码目录: examples/trials/mnist-distributed/
用 Kubeflow 运行分布式的 MNIST (PyTorch)
与前面的样例类似，不同之处是此样例是 Pytorch 实现的，因而需要使用 Kubeflow 的 pytorch-operator。
代码目录: examples/trials/mnist-distributed-pytorch/