2019/12/31 15:38

长期盘踞热榜，微软官方AutoML库教你三步学会20+炼金基本功

有了 AutoML，特征工程、神经架构和超参搜索这些炼金基本功再也不用担心了。作为科技巨头，微软也在 AutoML 上开源了自己的 NNI 库，这个库在 GitHub 上非常流行，长期盘踞在每日项目 Trending 榜。

根据 GitHub 项目上的介绍，NNI（Neural Network Intelligence）意图帮助用户使用自动机器学习算法、帮助进行算法加速、实现更好的超参数、神经架构和模型压缩，以及进行平台部署。大约一周前，这一开源项目更新到了 1.2 版本，并有了一个中文的官方文档。

项目地址：https://github.com/microsoft/nni

从观察来看，NNI 是相当全面的 AutoML 库了，支持很多模型、部署环境、框架和库，也提供了很多工具和数据集。不仅如此，除了使用 CLI 进行操作之外，还提供了可视化界面。

NNI 库特性有什么

根据微软 NNI 项目文档页面，我们可以了解到该项目希望自动设计并调优神经网络架构、复杂系统的参数等。NNI 拥有如下非常优秀的特性。

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 来调优超参数与模型架构。
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、OpenPAI 和 Kubernetes 等训练平台。
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，如云计算虚拟机集群、Kubernetes 服务等等。
高效：NNI 在系统及算法级别上不停地优化，例如可通过 Trial 早期的反馈来加速调优过程。

下图显示了 NNI 的体系结构：

在 NNI 中，Experiment 指搜索最优超参组合的任务，它的运行过程可以分为：Tuner 接收搜索空间并生成配置；配置被提交到训练平台；执行结果返回 Tuner。在每次执行超参搜索时，我们只需要定义搜索空间，就能利用 NNI 内置的 Tuner/Assessor 以及训练平台搜索最好的超参组合。

这样的搜索三步走可以展示为：

NNI 库的广泛支持

从功能上，NNI 库具有命令行（NNICTL）和可视化界面（NNI Board）两个部分，用户可以使用它们进行管理。在 NNI 中，它内置了自动机器学习算法，并为流行的训练平台提供了很多支持。

具体而言，NNI 支持各种深度学习框架、机器学习库、很多机器学习算法（如超参调优搜索、神经架构搜索、模型剪枝和压缩、特征工程等）。除了这些之外，NNI 库还对部署环境进行了支持，不论是本地、远程还是基于 Kubernetes 平台都可以使用。

完整的支持功能列表如下：

正确的使用姿势

在 NNI 的整个架构中，自动模型压缩、自动特征工程都非常吸引人，但下面我们主要展示如何三步走搜索模型超参与架构。

超参搜索

超参搜索是 NNI 最核心、基本的功能，其中提供了许多流行的自动调优算法（Tuner）以及提前终止算法（Assessor）。这里我们可以通过 MNIST 展示如何使用 NNI 搜索最优超参。

首先对于一般的 MNIST 建模，它的主要过程可以描述为：

def run_trial(params):
    # 输入数据
    mnist = input_data.read_data_sets(params['data_dir'], one_hot=True)
    # 构建网络
    mnist_network = MnistNetwork(channel_1_num=params['channel_1_num'], channel_2_num=params['channel_2_num'], conv_size=params['conv_size'], hidden_size=params['hidden_size'], pool_size=params['pool_size'], learning_rate=params['learning_rate'])
    mnist_network.build_network()

    test_acc = 0.0
    with tf.Session() as sess:
        # 训练网络
        mnist_network.train(sess, mnist)
        # 评估网络
        test_acc = mnist_network.evaluate(mnist)

if __name__ == '__main__':
    params = {'data_dir': '/tmp/tensorflow/mnist/input_data', 'dropout_rate': 0.5, 'channel_1_num': 32, 'channel_2_num': 64, 'conv_size': 5, 'pool_size': 2, 'hidden_size': 1024, 'learning_rate': 1e-4, 'batch_num': 2000, 'batch_size': 32}
    run_trial(params)

这段代码是没有搜索超参的，每次模型只能运行一组特定的超参数 params。一般来说，NNI 的输入是搜索空间、训练代码和配置文件三部分，我们可以定义一个循环，每次向训练代码传入一组超参数，并记录这组超参的结果。等循环结束后，我们就能从记录的结果中找到最优超参数。

下面让我们三步走搜索一组漂亮的超参，注意其中「-」表示原来标准代码该删除的内容，「+」表示采用 NNI 搜索超参该新加的代码。

1. 定义 JSON 格式的搜索空间文件，包括所有需要搜索的超参的名称和分布（离散和连续值均可）。

-   params = {'data_dir': '/tmp/tensorflow/mnist/input_data', 'dropout_rate': 0.5, 'channel_1_num': 32, 'channel_2_num': 64,
-   'conv_size': 5, 'pool_size': 2, 'hidden_size': 1024, 'learning_rate': 1e-4, 'batch_num': 2000, 'batch_size': 32}
+ {
+     "dropout_rate":{"_type":"uniform","_value":[0.5, 0.9]},
+     "conv_size":{"_type":"choice","_value":[2,3,5,7]},
+     "hidden_size":{"_type":"choice","_value":[124, 512, 1024]},
+     "batch_size": {"_type":"choice", "_value": [1, 4, 8, 16, 32]},
+     "learning_rate":{"_type":"choice","_value":[0.0001, 0.001, 0.01, 0.1]}
+ }

2. 修改训练代码来从 NNI 获取超参，并返回 NNI 最终结果。

+ import nni

  def run_trial(params):
      mnist = input_data.read_data_sets(params['data_dir'], one_hot=True)

      mnist_network = MnistNetwork(channel_1_num=params['channel_1_num'], channel_2_num=params['channel_2_num'], conv_size=params['conv_size'], hidden_size=params['hidden_size'], pool_size=params['pool_size'], learning_rate=params['learning_rate'])
      mnist_network.build_network()

      with tf.Session() as sess:
          mnist_network.train(sess, mnist)
          test_acc = mnist_network.evaluate(mnist)

+         nni.report_final_result(test_acc)

  if __name__ == '__main__':

-     params = {'data_dir': '/tmp/tensorflow/mnist/input_data', 'dropout_rate': 0.5, 'channel_1_num': 32, 'channel_2_num': 64,
-     'conv_size': 5, 'pool_size': 2, 'hidden_size': 1024, 'learning_rate': 1e-4, 'batch_num': 2000, 'batch_size': 32}
+     params = nni.get_next_parameter()
      run_trial(params)

3. 定义 YAML 格式的配置文件，其中声明了搜索空间和训练代码文件的路径，以及调优算法、最大尝试次数、最大运行时间等信息。

authorName: default
experimentName: example_mnist
trialConcurrency: 1
maxExecDuration: 1h
maxTrialNum: 10
trainingServicePlatform: local
# 搜索空间文件
searchSpacePath: search_space.json
useAnnotation: false
tuner:
  builtinTunerName: TPE
# 运行的命令，以及 Trial 代码的路径
trial:
  command: python3 mnist.py
  codeDir: .
  gpuNum: 0

现在，完成了三步修改后，再执行运行命令就能自动搜索了，整个过程也就完成了。

神经架构搜索

除了超参搜索外，NNI 也支持了神经架构搜索。这里以 ENAS 为例。

在 ENAS 中，Contoller 学习在大的计算图中搜索最优子图的方式来发现神经网络。它通过在子模型间共享参数来实现加速，并获得好的性能。

NNI 中的 ENAS 算法目前支持 CIFAR10 上的 Macro/Micro 搜索空间搜索。具体使用方法如下：

# 进入ENAS的代码目录
cd examples/nas/enas
# 在 Macro 搜索空间中搜索
python3 search.py --search-for macro
# 在 Micro 搜索空间中搜索
python3 search.py --search-for micro
# 查看更多选项
python3 search.py -h

NNI 项目中使用的是论文 Efficient Neural Architecture Search via Parameter Sharing 中的实现。使用的 py 文件可以在相关文件夹中找到。

目前项目仍在进一步开发的过程中，项目作者表示，希望有更多的志愿者加入到 NNI 的开源工作中，贡献新的代码和模型。

工程微软NNI项目