前四种TPE、Random、Anneal、Naive Evolution方法，比较容易，只需要修改config.yml文件，其余方法会在算法介绍中详细解释使用过程中遇到的问题：
NNI提供了几种最新的Tunner算法，以下是官方github文档对算法的解释和实验结果截图+除官方文档给出的步骤以外的步骤记录：
1、TPE：是一种sequential model-based optimization（SMBO，即基于序列模型优化）的方法。 SMBO 方法根据历史指标数据来按顺序构造模型，来估算超参的性能，随后基于此模型来选择新的超参。
记得把config.yml设置参数
gpuNum=1，即可使用GPU计算，否则默认是不会使用GPU的。
2、Random：在超参优化时，随机搜索算法展示了其惊人的简单和效果。 建议当不清楚超参的先验分布时，采用随机搜索作为基准。
3、Anneal：这种简单的退火算法从先前的采样开始，会越来越靠近发现的最佳点取样。 此算法是随机搜索的简单变体，利用了反应曲面的平滑性。 退火率不是自适应的。
4、Naive Evolution：朴素进化算法来自于大规模图像分类进化。 它会基于搜索空间随机生成一个种群。 在每一代中，会选择较好的结果，并对其下一代进行一些变异（例如，改动一个超参，增加或减少一层）。 进化算法需要很多次 Trial 才能有效，但它也非常简单，也很容易扩展新功能。
5、SMAC： 基于 Sequential Model-Based Optimization (SMBO，即序列的基于模型优化方法)。 它会利用使用过的结果好的模型（高斯随机过程模型），并将随机森林引入到 SMBO 中，来处理分类参数。 SMAC 算法包装了 Github 的 SMAC3。 注意：SMAC 需要通过 nnictl package 命令来安装。
分别运行一下两个命令：
conda install gxx_linux-64 gcc_linux-64 swig
nnictl package install --name SMAC
即可成功安装。
(CentOS（Conda 4.5.4)上提示 ModuleNotFoundError: No module named '_regression' ，可能是之前安装的包影响了环境，直接新建了conda的虚拟环境，重新进行安装。)
- 安装时候遇到的问题
- 使用nnictl package的时候，如果服务器网速不给力，SMAC很有可能安装失败，（如果可以直接使用pip中的smac包就好了）。
- SMAC成功安装以后，其中使用到的一个包SpaceConfig在我使用的conda（conda 5+，清华的源）中没有找到，因此安装失败，运行的时候会报错，使用
pip install SpaceConfig手动安装这个包即可解决。 - 运行Mnist-annotation中的例子会失败，config中配置的
useAnnotation=true，换成了mnist中的例子即可（查看了ERR觉得是这个元婴，但是并不确定），并且指定参数空间（SearchSpace）。 - SMAC不可以使用
combine_params类型的参数文件。
TIPS：
- 使用
nnictl experiment show可以查到本次实验的编号id，可以找到log文件和一些配置文件、运行文件的位置，在调试的时候，非常有效，或者网页中查看日志文件，位置一般是：/home/XXX/nni/experiments/nptml4D，其中最后一个是随机id。 - nnictl 可以同时运行多个实验，只要使用不同的端口，（如果可以把所有的实验都能用一个网页显示，选择不同id的实验查看是不是更方便？）
nnictl create --config config.yml --port 8081，运行时候会生成id，此时需要对相应id的时候进行操作就需要直接加上id号：nnictl experiment show nptml4D即可。
6、Batch tuner： Batch Tuner 能让用户简单的提供几组配置（如，超参选项的组合）。 当所有配置都执行完后，Experiment 即结束。 Batch Tuner 仅支持 choice 类型。
searchSpacePath中定义搜索空间json文件，
searchSpacePath: search_space.json
注意: useAnnotation和searchSpacePath两个字段互斥，useAnnotation=True，searchSpacePath 字段必须被删除。useAnnotation 定义使用标记来分析代码并生成搜索空间。
使用了/mnist/例子中的的配置运行，运行后发生错误，查看log（experiment中有logPath），发现搜索空间的.json文件，必须要用combine_params ：
实验结果
7、Grid Search：网格搜索会穷举定义在搜索空间文件中的所有超参组合。 网格搜索可以使用的类型有 choice, quniform, qloguniform。 quniform 和 qloguniform 中的数值 q 具有特别的含义（不同于搜索空间文档中的说明）。 它表示了在最高值与最低值之间采样的值的数量。
实验运行时，第一次参数是uniform类型的，发现直接改成quniform，需要再加一个q的参数值，文档中有对q参数进行说明。
本次实验直接定义了 choice类型的数值，
8、Hyperband：Hyperband 试图用有限的资源来探索尽可能多的组合，并发现最好的结果。 它的基本思路是生成大量的配置，并运行少量的步骤来找到有可能好的配置，然后继续训练找到其中更好的配置。
9、Network Morphism：Network Morphism 提供了深度学习模型的自动架构搜索功能。 每个子网络都继承于父网络的知识和形态，并变换网络的不同形态，包括深度，宽度，跨层连接（skip-connection）。 然后使用历史的架构和指标，来估计子网络的值。 最后会选择最有希望的模型进行训练。
由于计算资源受限，因此目前还没有跑出完整的结果，但是可以看到最高的得分0.91，最低的0.88。
安装过程中，pytorch版本的样例代码中，
from network_morphism import utils，这样会报错，选择/nni/examples/trials，运行代码即可。后续文档希望可以晚上一下~在运行cifar的程序过程中，由于网速太慢，可能会出现Time out的错误。
运行过程中出现
BrokenPipeError: [Errno 32] Broken pipe，由于nni 0.4.1之前的版本有一些错误，所以出现错误，可以根据nni中issue解决-->ISSUE。我直接删除了调用的包中的相关语句，或者安装高版本的nni。10、Metis Tuner：大多数调参工具仅仅预测最优配置，而 Metis 的优势在于有两个输出：(a) 最优配置的当前预测结果， 以及 (b) 下一次 Trial 的建议。 它不进行随机取样。 大多数工具假设训练集没有噪声数据，但 Metis 会知道是否需要对某个超参重新采样。
默认配置下没有找到比较好的配置的结果。
简单分析：
| 算法 | 最高分数 | 最低分数 | >0.80次数 | >0.90次数 | >0.95次数 | 总次数 |
|---|---|---|---|---|---|---|
| TPE | 0.9834 | 0.0958 | 7 | 5 | 3 | 10 |
| Random | 0.9823 | 0.0982 | 3 | 3 | 2 | 10 |
| Anneal | 0.9837 | 0.0892 | 2 | 2 | 2 | 10 |
| Naive Evolution | 0.9692 | 0.0958 | 2 | 1 | 1 | 10 |
| Batch Tuner | 0.9877 | 0.1135 | 3 | 3 | 2 | 6 |
| Grid Search | 0.988 | 0.0892 | 343 | 274 | 162 | 600 |
| SMAC | 0.9733 | 0.098 | 5 | 4 | 1 | 10 |
| Hyperband | 0.9831 | 0.0958 | 5 | 5 | 4 | 10 |
（使用NNI的Mnist-annotation例子分析,不同tuner算法的NNI WebUI的训练结果界面截图图像（以tuner命名），简单总结结果）
