本文主要簡單地介紹Vega的特點以及它與其他AutoML架構的差別，讓你對Vega有一個直覺的了解。
文章太長不看可以直接降落至最後的總結部分。
huawei-noah/vegagithub.com
1. 現有AutoML架構總結
目前已經出現了很多AutoML開源架構，可以大緻分成兩類：
- 一類是基于傳統機器學習算法，例如 TPOT、Auto-Sklearn、 Hyperopt，H2O 如果你不需要神經網絡的話則可以考慮使用這幾個架構。
- 另一類則是基于神經網絡的AutoML架構，比較流行的有 NNI、 Auto-kears 以及本篇文章要介紹的華為諾亞方舟實驗室開源的 Vega 架構。
2. Auto-Keras & NNI
在介紹Vega之前，首先簡單介紹一下Auto-Keras和NNI。
- Auto-Keras，看名字也知道它是基于Keras實作的，換句話說它隻支援TensorFlow，目前最新版本的要求是Python >= 3.5 and TensorFlow >= 2.3.0，是以如果你常用的架構是Pytorch，這個可能不适合你。
- NNI是微軟開發的輕量型AutoML工具包，如下圖示，其提供的功能非常豐富，包括自動特征工程、NAS（神經網絡架構搜尋）、模型壓縮、超參數搜尋等等，而且還提供了可視化界面友善管理。我本人也用過NNI的NAS子產品，易用性非常高。NNI将搜尋空間和搜尋算法解耦，而且設計了一種統一的接口，可以很友善地實作你的NAS算法，具體可看官方文檔介紹：https://nni.readthedocs.io/zh/latest/nas.html
3. Vega
Vega是華為諾亞方舟實驗室自研的AutoML算法工具鍊(https://github.com/huawei-noah/vega)，有如下幾個主要特點。
3.1 完備的AutoML能力
Vega涵蓋HPO(超參優化, HyperParameter Optimization)、Data-Augmentation、NAS(網絡架構搜尋， Network Architecture Search)、Model Compression、Fully Train等關鍵功能，同時這些功能自身都是高度解耦的，可以根據需要進行配置，構造完整的pipeline。
乍看起來，你也許會覺得這個NNI很相似，但是正如前面介紹的，NNI其實是一個輕量型的工具包，也就是說你如果隻需要實作某一個具體的功能，例如NAS或者模型壓縮，那NNI是一個很好的選擇，但是如果你希望将多個功能組合成一個完整的pipeline（如下圖示），那麼你需要的是Vega。
Vega解決的思路是将每一個功能（如模型壓縮和NAS等）都抽象成一個具有統一接口的PipeStep類，通過周遊每個Step實作端到端的Pipeline，具體的實作原理在後續文章中會介紹。
3.2 業界标杆的自研算法
Vega提供了諾亞方舟實驗室自研的 業界标杆 算法，并提供 Model Zoo 下載下傳SOTA(State-of-the-art)模型。
3.3 高并發模型訓練能力
Vega提供高性能Trainer，加速模型訓練和評估。Vega設計了Scheduler子產品，可以很友善的管理本地叢集部署等任務。
3.4 多Backend支援
Vega支援PyTorch，TensorFlow，MindSpore。雖然NNI也支援多種深度學習架構，但是Vega對不同架構的算子設計了統一接口。而且你可以隻需要指定要運作的Backend即可切換至不同的深度學習架構。
3.5 可插拔式
Vega采用可插拔式的配置方法，你可以隻需要修改yml檔案中的參數就能靈活地切換不同資料集、算法等元件，換句話說你可以基于Vega搭建屬于你自己的工具庫，是以在處理一個新項目的時候，你可以很友善地複用你之前的工作成果。
3.6 提供多個特色子產品
Vega提供了豐富的搜尋空間，你可以很友善地自定義你的搜尋空間快速驗證你的idea。另外Vega還提供了Report子產品，該子產品可以很友善地管理訓練過程中的各種日志等資訊，使用起來更加簡單順手。
4. 總結
通過上面介紹我們知道Vega和NNI都是提供了非常豐富的功能的AutoML架構，差別在于NNI定位于輕量型的工具包，是以如果你隻想實作NAS算法或者模型壓縮，那麼你可以使用NNI來驗證你的想法。Vega則定位于從Pipeline的角度來解決AutoML問題，是以使用Vega有一定門檻，需要你學習它的設計理念和代碼邏輯，但是如果你掌握之後，你會發現Vega的易用性是不輸NNI的，本系列文章主要是一起來學習Vega，然後搭建屬于你自己的工具庫。
微信公衆号：AutoML機器學習
MARSGGBO♥原創
如有意合作或學術讨論歡迎私戳聯系~