微软自动调参工具—NNI—安装与使用教程（附错误解决）

简介

NNI是微软的开源自动调参的工具。人工调参实在是太麻烦了，最近试了下水，感觉还不错，能在帮你调参的同时，把可视化的工作一起给做了，简单明了。然后感觉很多博客写的并不是很明白，所以打算自己补充一下。如果觉得解决了你的一些问题，请收藏关注。

本文分为以下两个部分：

如何安装并使用NNI
调试经验 & 错误汇总

第一步：安装

nni的安装十分简单。通过pip命令就可以安装了。并且提供了example供参考学习。

先决条件：tensorflow，python >= 3.5，

 # 安装nnipython3 -m pip install --upgrade nni# 示例程序，用于学习git clone https://github.com/Microsoft/nni.git# 如果想运行这个示例程序，需要安装tensorflowpython3 -m pip install tensorflow

第二步：设置超参数的搜索范围

我们打开NNI的示例程序先来观摩一下

cd ./nni/examples/trials/mnist/

可以看到目录中有 config.yml， mnist.py ，search_space.json 三个文件，这三个文件分别决定了我们的NNI配置文件，main.py和超参数搜索空间。
1.打开 search_space.json文件

{"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]}
}

在这里可以定义我们的超参数和搜索范围，可以根据自己的需要随意调整。
搜索的类型有很多种，常用的有uniform，choice等。
但是因为这个example只写了uniform和choice的用法，所以很多其他博客只介绍了choice和uniform的用法，在这里进行补充。详细内容见NNI的github帮助文档

{"_type": "choice", "_value": options}
# dropout_rate":{"_type":"uniform","_value":[0.5, 0.9]}的结果为0.5或者0.9{"_type": "uniform", "_value": [low, high]}# 变量是 low 和 high 之间均匀分布的值。
# 当优化时，此变量值会在两侧区间内。{"_type": "quniform", "_value": [low, high, q]}
# 从low开始到high结束，步长为q。
# 比如{"_type": "quniform", "_value": [0, 10, 2]}的结果为0,2,4,6,8,10{"_type": "normal", "_value": [mu, sigma]}
# 变量值为实数，且为正态分布，均值为 mu，标准方差为 sigma。 优化时，此变量不受约束。{"_type": "randint", "_value": [lower, upper]}
# 从 lower (包含) 到 upper (不包含) 中选择一个随机整数。

第二步：配置config.yaml

打开config.yaml

authorName: default
experimentName: example_mnist
trialConcurrency: 1
maxExecDuration: 1h
maxTrialNum: 10
#choice: local, remote, pai
trainingServicePlatform: local
searchSpacePath: search_space.json
#choice: true, false
useAnnotation: false
tuner:#choice: TPE, Random, Anneal, Evolution, BatchTuner, MetisTuner, GPTuner#SMAC (SMAC should be installed through nnictl)builtinTunerName: TPEclassArgs:#choice: maximize, minimizeoptimize_mode: maximize
trial:command: python3 mnist.pycodeDir: .gpuNum: 0

除了command，maxExecDuration，trialConcurrency，gpuNum，optimize_mode需要更改，这里的参数一般不需要更改。

command是nni的运行后将要执行的指令，mnist.py改为你的main.py或者train.py等等主程序。
maxExecDuration是整个NNI自动调参的时间，注意不是一次训练的时间（我一开始就理解成了一次训练所需要的最大时间），假如你用一个gpu跑，要训练10种不同的参数，每次训练都要2小时，这个值就设置为20h
trialConcurrency是trail的并发数，这个需要根据自己的GPU数量设置，而不是下面的gpuNum！！！为什么呢，因为一个trail代表一次调参的过程，理解为用一种超参数在运行你的train.py，并发数设为x，就有x个trainer在训练！
gpuNum是每个trail所需要的gpu个数，而不是整个nni调参所需要的gpu个数。对于大型任务，单独训练一次需要N个GPU的话，这个值就设置为N；如果单次训练，一个GPU就足够，请把这个值设置为1；没有GPU？我要写个惨字…

所以你最后需要的GPU总数为trialConcurrency*gpuNum，即 trail的个数*每个trail需要的gpu个数

optimize_mode对应着优化的方向，有最大和最小两种方式，具体如何设置在下一步中提到。

一般来说这里的配置已经足够。

如果需要调节网格搜索的算法等等更细节的东西，请参考NNI的github帮助文档

第三步修改我们的代码

# 引入nni
import nni
"""
设置参数自动更新，假设params 是我们的默认参数
注意params是**字典**类型的变量
"""
params = vars(get_params())
tuner_params= nni.get_next_parameter() # 这会获得一组搜索空间中的参数
params.update(tuner_params)
"""
向nni报告我们的结果
如果test_acc是准确率，那第二步(5)optimize_mode就选maximize。如果这里的test_acc如果是loss，
那第二步(5)optimize_mode就选minimize，也可以填其他训练的指标
另外这里的报告结果都是数字，一般选择float类型
"""
nni.report_intermediate_result(test_acc)
'''
report_intermediate_result是汇报中间结果，一般可以设置每个epoch报告一次
'''
nni.report_final_result(best_acc)
'''
report_final_result是汇报最终结果，可以是last_acc，也可以设置为报告best_acc
'''

很多体验者说report_intermediate_result汇报loss，report_final_result汇报精确度，这种说法是错的。
这两个report的内容应该是一个意义的（都是loss or 都是准确度 or 其他）
原因下面会讲到

第四步两行代码直接运行

cd ./YourCode_dir
nnictl create --config config.yml -p 8888

切换到代码的目录下，直接运行。
-p代表使用的端口号。注意如果代码使用的是conda虚拟环境，需要激活conda虚拟环境。

第五步查看训练过程

相信此刻你应该看到了succes的字样，别兴奋，这并不代表成功开始调参了，反正我是不知道多少次才成功。

打开命令行给的网站，如下图，点开Trail Detial->Intermediate result

如果你打开的太快，应该是WATING的状态。别急，稍等一会儿就开始RUNNING了。如果直接Fail了，请检查你的代码。

如果report_intermediate_result是每一个epoch report一次，那么跑完一个epoch过后会看到有Default metric，后面加了个括号（LATEST），这个时候基本就大工告成了，恭喜你！

如果report_final_result是训练结束时report，那么等训练结束后会有Default metric(FINAL)的数值。

所以这说明了report_intermediate_result和report_final_result其实都是Default metric，是一个意义的衡量指标，都用于衡量模型的好坏。

下图是超参数曲线，其实从上图可以看出来我刚始调参不久，只有几个trail是SUCCEED的。不过我想说，在这种条件下！！这个曲线也太美了吧！！！

第六步停止

在你不想继续搜寻超参数的时候，可以使用nnictl stop停止自动调参。
但是这只是说不会开始下一个trail了，没有运行完的trail依然会继续执行。如果想终止trail可以用nvidia-smi中找到训练进程的PID，然后用kill -9 PID杀死进程

常见的坑

本人比较菜，nni其实很简单但是折腾了很久。这里把我走过的坑分享给大家，让大家少走弯路。

1.你的参数应该是个字典，比如args['batch_size']而非args.batch_size
因为nni.get_next_parameter()获取到的是一个字典，并且对于params使用的是字典的update方法params.update(tuner_params)，所以params应该是字典格式的，使用params['batch_size']

2. Fail了怎么办？
我一开始也fail了很多次（nni启动成功，打开网站也RUNNING了，但是没跑完一个epoch就FAILED了）。这种情况，建议把以下三行代码nni.get_next_parameter(), nni.report_final_result(), nni.report_intermediate_result()都注释掉，然后跑一下程序看看有没有bug。这也是调试程序的重要手段！ 没有bug的话，就看看report的值是不是数字。report的必须是数字，不是tensor等其他变量。另外还需要看看GPU可不可用，如果GPU内存不够，就会报错。

3.一直都在Waiting
nni启动了，但是一直WATING，可能是你的config.yaml配置错了，参照第二步，好好检查下gpuNum和trialConcurrency的值正确不，实在不行就都填写1。另外，nvidia-smi看看你的GPU使用情况，如果 第六步的停止只是stop，没有kill进程，你的GPU可能还在跑之前的trail。
4. train detail没有result
程序一直在跑，早该跑完一个epoch了但是网页中没有数值显示？检查report函数，report的必须是数字，不是tensor等其他变量
5.网页打不开
如果用的是Linux远程GPU服务器，本地打不开网页，怎么办？别慌，可以重定向。在本地命令行输入
ssh -p <remote_port> -L 8888:127.0.0.1:8888 <username>@<remote_ip>，
remote_port是服务器端口号，
127.0.0.1代表localhost，
前面的8888是第四步-p后面写的端口号，
后面的8888是你要重定向到本机的端口号，可以随意填写
username是服务器的用户名，remote_ip是服务器的ip地址
然后在自己电脑上打开浏览器，输入127.0.0.1:8888，就ok了
6.报错NoneType
请注意，使用nni，必须使用nnictl create --config config.yml启动程序，不能直接Run
7.学会利用日志log
虽然在终端上不能直接看到训练日志，但是实际上在我们设置的实验路径下，有一个log文件，里面记录了所有的stdout内容，可以方便我们调试程序。