BuiltinAssessor.rst

内置 Assessor

NNI 提供了先进的评估算法，使用上也很简单。 下面是内置 Assessor 的介绍。

注意：点击 Assessor 的名称 可了解每个 Assessor 的安装需求，建议的场景以及示例。在每个 Assessor 建议场景最后，还有算法的详细说明。

当前支持以下 Assessor：

Assessor	算法简介
Medianstop	Medianstop 是一个简单的提前终止算法。 如果尝试 X 的在步骤 S 的最好目标值比所有已完成尝试的步骤 S 的中位数值明显低，就会停止运行尝试 X。 参考论文
Curvefitting	Curve Fitting Assessor 是一个 LPA (learning, predicting, assessing，即学习、预测、评估) 的算法。 如果预测的 Trial X 在 step S 比性能最好的 Trial 要差，就会提前终止它。 此算法中采用了 12 种曲线来拟合精度曲线。 参考论文

用法

要使用 NNI 内置的 Assessor，需要在 config.yml 文件中添加 builtinAssessorName 和 classArgs。 这一节会介绍推荐的场景、参数等详细用法以及示例。

注意：参考示例中的格式来创建新的 config.yml 文件。

Median Stop Assessor

名称：Medianstop

建议场景

适用于各种性能曲线，可用到各种场景中来加速优化过程。 详细说明

classArgs 要求：

• optimize_mode ( maximize 或 minimize，可选默认值是maximize )。如果为 'maximize'，Assessor 会在结果小于期望值时 中止 Trial。如果为 'minimize'，Assessor 会在结果大于期望值时 终止 Trial。
• start_step ( int，可选，默认值为 0 )。只有收到 start_step 个中间结果后，才开始判断是否一个 Trial 应该被终止。

使用示例：

# config.yml
assessor:
    builtinAssessorName: Medianstop
    classArgs:
      optimize_mode: maximize
      start_step: 5

Curve Fitting Assessor

名称：Curvefitting

建议场景

适用于各种性能曲线，可用到各种场景中来加速优化过程。 更好的是，它能够处理并评估性能类似的曲线。 详细说明

注意，根据原始论文，仅支持递增函数。 因此，此 Assessor 仅可用于最大化优化指标的场景。 例如，它可用于准确度，但不能用于损失值。

classArgs 要求：

• epoch_num ( int，必需 )，epoch 的总数。需要此数据来决定需要预测点的总数。
• start_step ( int，可选，默认值为 6 )。只有收到 start_step 个中间结果后，才开始判断是否一个 Trial 应该被终止。
• threshold ( float，可选，默认值为 0.95 )，用来确定提前终止较差结果的阈值。例如，如果 threshold = 0.95，最好的历史结果是 0.9，那么会在 Trial 的预测值低于 0.95 * 0.9 = 0.855 时停止。
• gap ( int，可选，默认值为 1 )，Assessor 两次评估之间的间隔次数。例如：如果 gap = 2, start_step = 6，就会评估第 6, 8, 10, 12... 个中间结果。

使用示例：

# config.yml
assessor:
    builtinAssessorName: Curvefitting
    classArgs:
      epoch_num: 20
      start_step: 6
      threshold: 0.95
      gap: 1