最近无论是腾讯还是ntu都在用这个库，这个库算是业内做automl比较好的仓库了，这里简单做下总结。

一、总览

NNI (Neural Network Intelligence) 是一个轻量但强大的工具包，帮助用户自动的进行特征工程，神经网络架构搜索，超参调优以及模型压缩。
NNI 管理自动机器学习 (AutoML) 的 Experiment，调度运行由调优算法生成的 Trial 任务来找到最好的神经网络架构和/或超参，支持各种训练环境，如本机，远程服务器，OpenPAI，Kubeflow，基于 K8S 的 FrameworkController（如，AKS 等）， DLWorkspace (又称 DLTS), AML (Azure Machine Learning), AdaptDL（又称 ADL） ，和其他的云平台甚至 混合模式 。

二、支持的功能

NNI 提供命令行工具以及友好的 WebUI 来管理训练的 Experiment。 通过可扩展的 API，可定制自动机器学习算法和训练平台。 为了方便新用户，NNI 内置了最新的自动机器学习算法，并为流行的训练平台提供了开箱即用的支持。

• 超参优化

1. 穷举搜索（random, grid, batch）
2. 启发式（进化，退火，hyperband, PBT）
3. 贝叶斯
4. 强化学习

• 网络架构优化

1. ENAS
2. DARTS
3. P-DARTS
4. CDARTS
5. SPOS
6. ProxylessNAS
7. Network Morphism
8. TextNAS
9. Cream

• 模型压缩
• 特征工程
• early stop
• 训练平台

三、模型压缩

因为主要用到这一块，这里单另出来介绍

剪枝算法
^^^^^^^^^^^^^^^^^^

剪枝算法通过删除冗余权重或层通道来压缩原始网络，从而降低模型复杂性并解决过拟合问题。

.. list-table::
:header-rows: 1
:widths: auto

• • 名称
  • 算法简介
• • Level Pruner <Pruner.rst#level-pruner>__
  • 根据权重的绝对值，来按比例修剪权重。
• • AGP Pruner <../Compression/Pruner.rst#agp-pruner>__
  • 自动的逐步剪枝（是否剪枝的判断：基于对模型剪枝的效果）参考论文 <https://arxiv.org/abs/1710.01878>__
• • Lottery Ticket Pruner <../Compression/Pruner.rst#lottery-ticket-hypothesis>__
  • "The Lottery Ticket Hypothesis: Finding Sparse, Trainable Neural Networks" 提出的剪枝过程。 它会反复修剪模型。 参考论文 <https://arxiv.org/abs/1803.03635>__
• • FPGM Pruner <../Compression/Pruner.rst#fpgm-pruner>__
  • Filter Pruning via Geometric Median for Deep Convolutional Neural Networks Acceleration 参考论文 <https://arxiv.org/pdf/1811.00250.pdf>__
• • L1Filter Pruner <../Compression/Pruner.rst#l1filter-pruner>__
  • 在卷积层中具有最小 L1 权重规范的剪枝滤波器（用于 Efficient Convnets 的剪枝滤波器） 参考论文 <https://arxiv.org/abs/1608.08710>__
• • L2Filter Pruner <../Compression/Pruner.rst#l2filter-pruner>__
  • 在卷积层中具有最小 L2 权重规范的剪枝滤波器
• • ActivationAPoZRankFilterPruner <../Compression/Pruner.rst#activationapozrankfilter-pruner>__
  • 基于指标 APoZ（平均百分比零）的剪枝滤波器，该指标测量（卷积）图层激活中零的百分比。 参考论文 <https://arxiv.org/abs/1607.03250>__
• • ActivationMeanRankFilterPruner <../Compression/Pruner.rst#activationmeanrankfilter-pruner>__
  • 基于计算输出激活最小平均值指标的剪枝滤波器
• • Slim Pruner <../Compression/Pruner.rst#slim-pruner>__
  • 通过修剪 BN 层中的缩放因子来修剪卷积层中的通道 (Learning Efficient Convolutional Networks through Network Slimming) 参考论文 <https://arxiv.org/abs/1708.06519>__
• • TaylorFO Pruner <../Compression/Pruner.rst#taylorfoweightfilter-pruner>__
  • 基于一阶泰勒展开的权重对滤波器剪枝 (Importance Estimation for Neural Network Pruning) 参考论文 <http://jankautz.com/publications/Importance4NNPruning_CVPR19.pdf>__
• • ADMM Pruner <../Compression/Pruner.rst#admm-pruner>__
  • 基于 ADMM 优化技术的剪枝 参考论文 <https://arxiv.org/abs/1804.03294>__
• • NetAdapt Pruner <../Compression/Pruner.rst#netadapt-pruner>__
  • 在满足计算资源预算的情况下，对预训练的网络迭代剪枝 参考论文 <https://arxiv.org/abs/1804.03230>__
• • SimulatedAnnealing Pruner <../Compression/Pruner.rst#simulatedannealing-pruner>__
  • 通过启发式的模拟退火算法进行自动剪枝 参考论文 <https://arxiv.org/abs/1907.03141>__
• • AutoCompress Pruner <../Compression/Pruner.rst#autocompress-pruner>__
  • 通过迭代调用 SimulatedAnnealing Pruner 和 ADMM Pruner 进行自动剪枝 参考论文 - <https://arxiv.org/abs/1907.03141>__
• • AMC Pruner <../Compression/Pruner.rst#amc-pruner>__
  • AMC：移动设备的模型压缩和加速 参考论文 <https://arxiv.org/pdf/1802.03494.pdf>__

参考此 :githublink:基准测试 <../CommunitySharings/ModelCompressionComparison.rst> 来查看这些剪枝器在一些基准问题上的表现。

量化算法
^^^^^^^^^^^^^^^^^^^^^^^

量化算法通过减少表示权重或激活所需的精度位数来压缩原始网络，这可以减少计算和推理时间。

.. list-table::
:header-rows: 1
:widths: auto

• • 名称
  • 算法简介
• • Naive Quantizer <../Compression/Quantizer.rst#naive-quantizer>__
  • 默认将权重量化为 8 位
• • QAT Quantizer <../Compression/Quantizer.rst#qat-quantizer>__
  • 为 Efficient Integer-Arithmetic-Only Inference 量化并训练神经网络。 参考论文 <http://openaccess.thecvf.com/content_cvpr_2018/papers/Jacob_Quantization_and_Training_CVPR_2018_paper.pdf>__
• • DoReFa Quantizer <../Compression/Quantizer.rst#dorefa-quantizer>__
  • DoReFa-Net: 通过低位宽的梯度算法来训练低位宽的卷积神经网络。 参考论文 <https://arxiv.org/abs/1606.06160>__
• • BNN Quantizer <../Compression/Quantizer.rst#bnn-quantizer>__
  • 二进制神经网络：使用权重和激活限制为 +1 或 -1 的深度神经网络。 参考论文 <https://arxiv.org/abs/1602.02830>__

模型加速

模型压缩的目的是减少推理延迟和模型大小。 但现有的模型压缩算法主要通过模拟的方法来检查压缩模型性能（如精度）。例如，剪枝算法中使用掩码，而量化算法中量化值仍然是以 32 位浮点数来存储。 只要给出这些算法产生的掩码和量化位，NNI 可真正的加速模型。 模型加速的详细文档参考 这里 <./ModelSpeedup.rst>__。

压缩工具

压缩工具包括了一些有用的工具，能帮助用户理解并分析要压缩的模型。 例如，可检查每层对剪枝的敏感度。 可很容易的计算模型的 FLOPs 和参数数量。 点击这里 <./CompressionUtils.rst>__，查看压缩工具的完整列表。

高级用法

NNI 模型压缩提供了简洁的接口，用于自定义新的压缩算法。 接口的设计理念是，将框架相关的实现细节包装起来，让用户能聚焦于压缩逻辑。 用户可以进一步了解我们的压缩框架，并根据我们的框架定制新的压缩算法（剪枝算法或量化算法）。 此外，还可利用 NNI 的自动调参功能来自动的压缩模型。 参考 这里 <./advanced.rst>__ 了解更多细节。