Vega

English

Vega简介

Vega是诺亚方舟实验室自研的AutoML算法工具链，有主要特点：

1. 完备的AutoML能力：涵盖HPO(超参优化, HyperParameter Optimization)、Data-Augmentation、NAS(网络架构搜索， Network Architecture Search)、Model Compression、Fully Train等关键功能，同时这些功能自身都是高度解耦的，可以根据需要进行配置，构造完整的pipeline。
2. 业界标杆的自研算法：提供了诺亚方舟实验室自研的业界标杆算法，并提供Model Zoo下载SOTA(State-of-the-art)模型。
3. 高并发模型训练能力：提供高性能Trainer，加速模型训练和评估。

算法列表

获取和安装

请获取最新版本，参考安装指导完成安装，若希望在集群中部署Vega，请参考部署指导。

使用指导

Vega高度模块化，可通过配置可完成搜索空间、搜索算法、pipeline的构建，运行Vega应用就是加载配置文件，并根据配置来完成AutoML流程。 同时Vega提供了详细的操作示例供大家参考，可参考示例参考，如运行CARS算法示例：

cd examples
python3 ./run_example.py ./nas/cars/cars.yml

在使用Vega前，有必要充分了解配置项的含义，请参考配置指导。

注意：

在运行示例前，需要在算法配置文件中配置数据集和预训练模型目录，缺省目录请参考示例参考。

开发者指导

Vega框架组件解耦，并采用注册机制来组合各个功能组件，便于扩充功能和算法，可参考开发者指导，了解Vega架构和主要机制。

同时可参考快速入门指导，通过实现一个简单的CNN网络搜索功能，通过实战快速进入Vega应用开发。

在Vega应用的开发中，最先遇到的问题就是，如何引入业务数据集到Vega中，可参考数据集指导。

针对不同的算法，可参考算法开发指导，可根据文中提供的示例，一步步的将新算法添加到Vega中。

在Automl的大多数算法中搜索空间和网络是强相关强耦合的，我们尝试统一搜索空间的定义方式，使得同一种搜索空间能够适配不同的搜索算法，我们称之为细粒度搜索空间指导，欢迎大家尝试使用。

当然文档解决不了所有的疑问和问题，若你在使用中遇到任何问题，请及时通过issue反馈，我们会及时答复和解决。

参考列表

合作和贡献

欢迎大家使用Vega，有任何疑问、求助、修改bug、贡献算法、完善文档，请在社区提交issue，我们会及时回复沟通交流。 欢迎大家加入我们的QQ群: 833345709。