《Vega 是诺亚方舟实验室自研的 AutoML 算法工具链》

标签：content   下载   pip   优化   答复   via   for   使用   高效   

Vega 简介

Vega 是诺亚方舟实验室自研的 AutoML 算法工具链，有主要特点：

1. 完备的 AutoML 能力：涵盖 HPO(超参优化, HyperParameter Optimization)、Data-Augmentation、NAS(网络架构搜索， Network Architecture Search)、Model Compression、Fully Train 等关键功能，同时这些功能自身都是高度解耦的，可以根据需要进行配置，构造完整的 pipeline。
2. 业界标杆的自研算法：提供了诺亚方舟实验室自研的业界标杆算法，并提供 Model Zoo 下载 SOTA(State-of-the-art) 模型。
3. 高并发模型训练能力：提供高性能 Trainer，加速模型训练和评估。

算法列表

获取和安装

请获取最新版本，参考安装指导完成安装，若希望在集群中部署 Vega，请参考部署指导。

使用指导

Vega 高度模块化，可通过配置可完成搜索空间、搜索算法、pipeline 的构建，运行 Vega 应用就是加载配置文件，并根据配置来完成 AutoML 流程。 同时 Vega 提供了详细的操作示例供大家参考，可参考示例参考，如运行 CARS 算法示例：

cd examples
python3 ./run_example.py ./nas/cars/cars.yml

在使用 Vega 前，有必要充分了解配置项的含义，请参考配置指导。

注意：

在运行示例前，需要在算法配置文件中配置数据集和预训练模型目录，缺省目录请参考示例参考。

开发者指导

Vega 框架组件解耦，并采用注册机制来组合各个功能组件，便于扩充功能和算法，可参考开发者指导，了解 Vega 架构和主要机制。

同时可参考快速入门指导，通过实现一个简单的 CNN 网络搜索功能，通过实战快速进入 Vega 应用开发。

在 Vega 应用的开发中，最先遇到的问题就是，如何引入业务数据集到 Vega 中，可参考数据集指导。

针对不同的算法，可参考算法开发指导，可根据文中提供的示例，一步步的将新算法添加到 Vega 中。

在 Automl 的大多数算法中搜索空间和网络是强相关强耦合的，我们尝试统一搜索空间的定义方式，使得同一种搜索空间能够适配不同的搜索算法，我们称之为细粒度搜索空间指导，欢迎大家尝试使用。

当然文档解决不了所有的疑问和问题，若你在使用中遇到任何问题，请及时通过 issue 反馈，我们会及时答复和解决。

参考列表

合作和贡献

欢迎大家使用 Vega，有任何疑问、求助、修改 bug、贡献算法、完善文档，请在社区提交 issue，我们会及时回复沟通交流。 欢迎大家加入我们的 QQ 群: 833345709。

《Vega 是诺亚方舟实验室自研的 AutoML 算法工具链》

标签：content   下载   pip   优化   答复   via   for   使用   高效   

原文地址：https://www.cnblogs.com/cx2016/p/13282293.html