nni

	Réglage des hyperparamètres	Recherche d'architecture neuronale	Compression du modèle
Algorithmes	Recherche exhaustive Recherche de grille Aléatoire Recherche heuristique Recuire Évolution Hyperbande PBT Optimisation bayésienne BOHB ONGD Médecin généraliste Métis SMAC TPE	Essais multiples Recherche de grille RL basé sur des politiques Aléatoire Evolution régularisée TPE Un coup FLECHETTES ENAS FBNet NAS sans proxy SPOS	Taille Niveau Norme L1 Taylor FO Poids Mouvement AGP Compression automatique Plus... Quantification Naïf QAT LSQ Observateur DoReFa BNN
	Cadres pris en charge	Services de formation	Tutoriels
Prise en charge	PyTorch TensorFlow Scikit-apprendre XGBoost LumièreGBM MXNet Café2 Plus...	Appareil local Serveurs SSH distants Apprentissage automatique Azure (AML) Basé sur Kubernetes OuvrirAPI Kubeflow Contrôleur de cadre AdaptDL PAI DLC Services de formation hybrides	HPO PyTorch TensorFlow NAS Bonjour NAS Benchmarks NAS Compression Taille Accélération de l'élagage Quantification Accélération de la quantification

Ressources

• Page d'accueil de la documentation NNI
• Guide d'installation NNI
• Exemples NNI
• Référence de l'API Python
• Versions (journal des modifications)
• Recherches et publications connexes
• Chaîne Youtube de NNI
• Espace Bilibili de NNI
• Webinaire de présentation de Retiarii : un cadre de formation exploratoire d'apprentissage en profondeur sur NNI
• Discussions communautaires

Directives de contribution

Si vous souhaitez contribuer à NNI, assurez-vous de consulter les directives de contribution, qui comprennent des instructions sur la soumission de commentaires, les meilleures pratiques de codage et le code de conduite.

Nous utilisons les problèmes GitHub pour suivre les demandes de suivi et les bugs. Veuillez utiliser NNI Discussion pour les questions générales et les nouvelles idées. Pour des questions sur des cas d'utilisation spécifiques, veuillez consulter Stack Overflow.

La participation aux discussions via les groupes de messagerie instantanée suivants est également la bienvenue.

Gitter		WeChat
	OU

Au cours des dernières années, NNI a reçu des milliers de retours sur des problèmes GitHub et des demandes d'extraction de centaines de contributeurs. Nous apprécions toutes les contributions de la communauté pour faire prospérer NNI.

Statut des tests

Essentiel

Taper	Statut
Test rapide
Test complet - HPO
Test complet - NAS
Test complet - compression

Prestations de formation

Taper	Statut
Local - Linux
Local - fenêtres
À distance - Linux vers Linux
À distance - Windows vers Windows
OuvrirPAI
Contrôleur de cadre
Kubeflow
Hybride
AzureML

Projets connexes

Ciblant l'ouverture et l'avancement des technologies de pointe, Microsoft Research (MSR) avait également publié quelques autres projets open source.

• OpenPAI : une plate-forme open source qui fournit des capacités complètes de formation de modèles d'IA et de gestion des ressources, elle est facile à étendre et prend en charge les environnements sur site, cloud et hybrides à différentes échelles.
• FrameworkController : un contrôleur de pod Kubernetes open source à usage général qui orchestre toutes sortes d'applications sur Kubernetes par un seul contrôleur.
• MMdnn : Une solution complète et multi-framework pour convertir, visualiser et diagnostiquer des modèles de réseaux neuronaux profonds. Le « MM » dans MMdnn signifie gestion de modèles et « dnn » est un acronyme pour réseau neuronal profond.
• SPTAG : Space Partition Tree And Graph (SPTAG) est une bibliothèque open source pour un scénario de recherche vectorielle approximative du voisin le plus proche à grande échelle.
• nn-Meter : un prédicteur de latence d'inférence précis pour les modèles DNN sur divers appareils de périphérie.

Nous encourageons les chercheurs et les étudiants à tirer parti de ces projets pour accélérer le développement et la recherche en IA.

Licence

L'intégralité de la base de code est sous licence MIT.

Développer