ronin调参软件,

　　第一步：下载安装NNI，参照https://github.com/microsoft/nni

　　第二步：找到基线中的超参数，并改为通过网络节点接口(网络节点接口)传入超参

　　第三步：在项目中新建search space.json，config.yml第四步：配置搜索space.json，将上一步找到的超参配置搜索范围

　　第五步：在训练文件中加入上报指标

　　第六步：配置config.ym

　　第七步：运行NNI1，并进入用户界面查看是否成功运行

　　第八步：等待第九步：分析噪音及数值指示(噪音和数量指数)的启动nnictl创建-(xxxx.yml)[这是创建的配置文件]

　　第一步定义搜索空间

　　不同的数据增强

　　不同的优化器

　　{ optimizer:{_type:choice ， _value:[Adam ， Adamax ， Adagrad ， RMSprop ， Adagrad]}， Transpose:{_type:choice ， _value:[0.3，0.4，0.5]}，水平翻转: choice ， _value:[0.3，0.4，0.5]}， VerticalFlip:{_type:choice ， _value:[0在没有噪音及数值指示(噪音和数量指数)的代码上加噪音及数值指示(噪音和数量指数)

　　try:tuner _ params=nni。get _ next _ parameter()optimizer _ type=tuner _ params[ optimizer ]def get _ train _ transforms(data _ aug _ param):# return Compose([# RandomResizedCrop(CFG[img_size]，CFG[ img _ size ])，# Transpose(p=0.5)，# HorizontalFlip(p=0.5)，# VerticalFlip(p=0.5)，# ShiftScaleRotate(p=0.5)，# HueSaturationValue返回构图([RandomResizedCrop(CFG[img_size]，CFG[ img _ size ])、转置(p=data _ aug _ param[ Transpose ])、水平翻转(p=data _ aug _ param[水平翻转])、垂直翻转(p=data _ aug _ param[垂直翻转])、平移比例旋转(p=data _ aug _ param[平移比例旋转])、色相饱和度值(hue _ shift _ limit=data _ aug上报中间精度和最终指标

　　设置配置文件

　　作者姓名：defaultexperimentName:cldctrialConcurrency:1最大执行时长：24h maxtrialnum:50 #选择：local，remote，paitrainingservice平台：localsearchSpacePath:search _ space。JSON # choice:true，false使用注释：false调谐器：# choice:TPE，Random，飞快的白开水、进化、BatchTuner、MetisTuner、GPTuner #SMAC (SMAC应通过nnictl安装)内置调谐器名称：TPE类参数：# choice:maximize，minimize _ mode:maximize trial:command:python train _ nni。py #训练用的代码代码目录：gpuNum: 1 #gpu数量，一定记得改localConfig: useActiveGpu: true分析可视化结果

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。