Chinese translation (#1101)

docs/zh_CN/RemoteMachineMode.md

@@ -66,4 +66,4 @@ nnictl create --config ~/nni/examples/trials/mnist-annotation/config_remote.yml
 
 ## 版本校验
 
-从 0.6 开始，NNI 支持版本校验，详情参考[这里](PAIMode.md)。
+从 0.6 开始，NNI 支持版本校验，详情参考[这里](PaiMode.md)。
\ No newline at end of file

docs/zh_CN/SearchSpaceSpec.md

@@ -27,7 +27,14 @@
 
 * {"_type":"choice","_value":options}
   
-  * 这表示变量值应该是列表中的选项之一。 选项的元素也可以是 [nested]（嵌套的）随机表达式。 在这种情况下，随机选项仅会在条件满足时出现。
+  * 表示变量的值是选项之一。 这里的 'options' 是一个数组。 选项的每个元素都是字符串。 也可以是嵌套的子搜索空间。此子搜索空间仅在相应的元素选中后才起作用。 该子搜索空间中的变量可看作是条件变量。
+  
+  * 这是个简单的 [nested] 搜索空间定义的[示例](../../examples/trials/mnist-cascading-search-space/search_space.json)。 如果选项列表中的元素是 dict，则它是一个子搜索空间，对于内置的 Tuner，必须在此 dict 中添加键 “_name”，这有助于标识选中的元素。 相应的，这是从 NNI 中获得的嵌套搜索空间定义的[示例](../../examples/trials/mnist-cascading-search-space/sample.json)。 以下 Tuner 支持嵌套搜索空间：
+    
+    * Random Search（随机搜索） 
+    * TPE
+    * Anneal（退火算法）
+    * Evolution
 
 * {"_type":"randint","_value":[upper]}
   

docs/zh_CN/SetupNNIDeveloperEnvironment.md → docs/zh_CN/SetupNniDeveloperEnvironment.md

@@ -57,4 +57,4 @@ Trial 启动 Experiment 来检查环境。 例如，运行命令
 
 * * *
 
-最后，希望一切顺利。 参考[贡献](./CONTRIBUTING.md)文档，来了解更多创建拉取请求或问题的指南。
+最后，希望一切顺利。 参考[贡献](./Contributing.md)文档，来了解更多创建拉取请求或问题的指南。
\ No newline at end of file

docs/zh_CN/SmacTuner.md

+# SMAC Tuner
+
+## SMAC
+
+[SMAC](https://www.cs.ubc.ca/~hutter/papers/10-TR-SMAC.pdf) 基于 Sequential Model-Based Optimization (SMBO). 它利用使用过的结果好的模型（高斯随机过程模型），并将随机森林引入到 SMBO 中，来处理分类参数。 NNI 的 SMAC 通过包装 [SMAC3](https://github.com/automl/SMAC3) 来支持。
+
+NNI 中的 SMAC 只支持部分类型的[搜索空间](SearchSpaceSpec.md)，包括`choice`, `randint`, `uniform`, `loguniform`, `quniform(q=1)`。
\ No newline at end of file

docs/zh_CN/Trials.md

@@ -43,7 +43,7 @@ RECEIVED_PARAMS = nni.get_next_parameter()
 nni.report_intermediate_result(metrics)
 ```
 
-`指标`可以是任意的 Python 对象。 如果使用了 NNI 内置的 Tuner/Assessor，`指标`只可以是两种类型：1) 数值类型，如 float、int， 2) dict 对象，其中必须由键名为 `default`，值为数值的项目。 `指标`会发送给[Assessor](Builtin_Assessors.md)。 通常，`指标`是损失值或精度。
+`指标`可以是任意的 Python 对象。 如果使用了 NNI 内置的 Tuner/Assessor，`指标`只可以是两种类型：1) 数值类型，如 float、int， 2) dict 对象，其中必须由键名为 `default`，值为数值的项目。 `指标`会发送给[Assessor](BuiltinAssessors.md)。 通常，`指标`是损失值或精度。
 
 * 返回配置的最终性能
 
@@ -51,7 +51,7 @@ nni.report_intermediate_result(metrics)
 nni.report_final_result(metrics)
 ```
 
-`指标`也可以是任意的 Python 对象。 如果使用了内置的 Tuner/Assessor，`指标`格式和 `report_intermediate_result` 中一样，这个数值表示模型的性能，如精度、损失值等。 `指标`会发送给 [Tuner](Builtin_Tuner.md)。
+`指标`也可以是任意的 Python 对象。 如果使用了内置的 Tuner/Assessor，`指标`格式和 `report_intermediate_result` 中一样，这个数值表示模型的性能，如精度、损失值等。 `指标`会发送给 [Tuner](BuiltinTuner.md)。
 
 ### 第三步：启用 NNI API
 
@@ -162,8 +162,8 @@ echo $? `date +%s000` >/home/user_name/nni/experiments/$experiment_id$/trials/$t
 
 ## 更多 Trial 的样例
 
-* [MNIST 样例](mnist_examples.md)
-* [为 CIFAR 10 分类找到最佳的 optimizer](cifar10_examples.md)
-* [如何在 NNI 调优 SciKit-learn 的参数](sklearn_examples.md)
-* [在阅读理解上使用自动模型架构搜索。](SQuAD_evolution_examples.md)
-* [如何在 NNI 上调优 GBDT](gbdt_example.md)
+* [MNIST 样例](MnistExamples.md)
+* [为 CIFAR 10 分类找到最佳的 optimizer](Cifar10Examples.md)
+* [如何在 NNI 调优 SciKit-learn 的参数](SklearnExamples.md)
+* [在阅读理解上使用自动模型架构搜索。](SquadEvolutionExamples.md)
+* [如何在 NNI 上调优 GBDT](GbdtExample.md)
\ No newline at end of file

docs/zh_CN/WindowsLocalMode.md

@@ -4,7 +4,7 @@
 
 ## **在 Windows 上安装**
 
-**强烈推荐使用 Anaconda python(64 位)。**
+**强烈推荐使用 Anaconda 或 Miniconda Python（64位）。**
 
 在第一次使用 PowerShell 运行脚本时，需要用**使用管理员权限**运行如下命令：
 
@@ -22,7 +22,7 @@ Set-ExecutionPolicy -ExecutionPolicy Unrestricted
 
 * __通过代码安装 NNI__
 
-  先决条件: `python >=3.5`, `git`, `powershell`
+  先决条件: `python >=3.5`, `git`, `PowerShell`
 
   ```bash
   git clone -b v0.7 https://github.com/Microsoft/nni.git
@@ -58,7 +58,7 @@ Set-ExecutionPolicy -ExecutionPolicy Unrestricted
 
 ### 在命令行或 PowerShell 中，Trial 因为缺少 DLL 而失败
 
-此错误因为缺少 LIBIFCOREMD.DLL 和 LIBMMD.DLL 文件，且 SciPy 安装失败。 使用 Anaconda Python(64-bit) 可解决此问题。
+此错误因为缺少 LIBIFCOREMD.DLL 和 LIBMMD.DLL 文件，且 SciPy 安装失败。 使用 Anaconda 或 Miniconda 和 Python（64位）可解决。
 
 > ImportError: DLL load failed
 

docs/zh_CN/advanced.rst

@@ -2,5 +2,5 @@
 =====================
 
 ..  toctree::
-    多阶段<multiPhase>
-    高级网络架构搜索（AdvancedNAS）<AdvancedNAS>
+    多阶段<MultiPhase>
+    高级网络架构搜索<AdvancedNas>
\ No newline at end of file

docs/zh_CN/assessors.rst

@@ -15,5 +15,5 @@ Assessor 从 Trial 中接收中间结果，并通过指定的算法决定此 Tri
 ..  toctree::
     :maxdepth: 2
 
-    内置 Assessor<builtinAssessor>
-    自定义 Assessor<Customize_Assessor>
+    内置 Assessor<BuiltinAssessor>
+    自定义 Assessor<CustomizeAssessor>

docs/zh_CN/automl_practice_sharing.rst

+#################
+自动机器学习的经验分享
+#################
+
+..  toctree::
+    :maxdepth: 2
+
+    神经网络架构搜索的对比<CommunitySharings/AutomlPracticeSharing/NasComparison>

docs/zh_CN/builtinTuner.rst

-内置 Tuner
-==================
-
-..  toctree::
-    :maxdepth: 1
-    
-    介绍<Builtin_Tuner>
-    TPE<hyperoptTuner>
-    Random Search<hyperoptTuner>
-    Anneal<hyperoptTuner>
-    Naive Evolution<evolutionTuner>
-    SMAC<smacTuner>
-    Batch Tuner<batchTuner>
-    Grid Search<gridsearchTuner>
-    Hyperband<hyperbandAdvisor>
-    Network Morphism<networkmorphismTuner>
-    Metis Tuner<metisTuner>
-    BOHB<bohbAdvisor>
\ No newline at end of file

docs/zh_CN/builtinAssessor.rst → docs/zh_CN/builtin_assessor.rst

@@ -4,6 +4,6 @@
 ..  toctree::
     :maxdepth: 1
 
-    介绍<Builtin_Assessors>
-    Medianstop<medianstopAssessor>
-    Curvefitting<curvefittingAssessor>
+    介绍<BuiltinAssessors>
+    Medianstop<MedianstopAssessor>
+    Curvefitting<CurvefittingAssessor>
\ No newline at end of file

docs/zh_CN/builtin_tuner.rst

+内置 Tuner
+==================
+
+..  toctree::
+    :maxdepth: 1
+    
+    介绍<BuiltinTuner>
+    TPE<HyperoptTuner>
+    Random Search<HyperoptTuner>
+    Anneal<HyperoptTuner>
+    Naive Evolution<EvolutionTuner>
+    SMAC<SmacTuner>
+    Batch Tuner<BatchTuner>
+    Grid Search<GridsearchTuner>
+    Hyperband<HyperbandAdvisor>
+    Network Morphism<NetworkmorphismTuner>
+    Metis Tuner<MetisTuner>
+    BOHB<BohbAdvisor>
\ No newline at end of file

docs/zh_CN/community_sharings.rst

+######################
+社区分享
+######################
+
+除了官方的教程和示例之外，也支持社区贡献者分享自己的自动机器学习实践经验，特别是使用 NNI 的实践经验。
+
+..  toctree::
+    :maxdepth: 2
+
+    NNI 经验分享<nni_practice_sharing>
+    神经网络结构搜索的对比<CommunitySharings/NasComparison>
+    超参调优算法的对比<CommunitySharings/HpoComparison>

docs/zh_CN/Contribution.rst → docs/zh_CN/contribution.rst

@@ -3,5 +3,5 @@
 ###############################
 
 ..  toctree::
-    设置开发环境<SetupNNIDeveloperEnvironment>
-    贡献指南<CONTRIBUTING>
+    设置开发环境<SetupNniDeveloperEnvironment>
+    贡献指南<Contributing>
\ No newline at end of file

docs/zh_CN/Examples.rst → docs/zh_CN/examples.rst

@@ -5,8 +5,8 @@
 ..  toctree::
     :maxdepth: 2
 
-    MNIST<mnist_examples>
-    Cifar10<cifar10_examples>
-    Scikit-learn<sklearn_examples>
-    EvolutionSQuAD<SQuAD_evolution_examples>
-    GBDT<gbdt_example>
+    MNIST<MnistExamples>
+    Cifar10<Cifar10Examples>
+    Scikit-learn<SklearnExamples>
+    EvolutionSQuAD<SquadEvolutionExamples>
+    GBDT<GbdtExample>

docs/zh_CN/index.rst

@@ -13,10 +13,10 @@ Neural Network Intelligence（NNI）文档
 
     概述<Overview>
     入门<QuickStart>
-    教程<Tutorials>
-    样例<Examples>
-    参考<Reference>
+    教程<tutorials>
+    示例<examples>
+    参考<reference>
     常见问答<FAQ>
-    贡献<Contribution>
-    版本日志<RELEASE>
-    博客<Blog/index>
+    贡献<contribution>
+    更改日志<Release>
+    社区经验分享<community_sharings>

docs/zh_CN/nni_practice_sharing.rst

+#################
+教程
+#################
+
+分享使用 NNI 来调优模型和系统的经验
+
+..  toctree::
+    :maxdepth: 2
+
+    在 NNI 上调优 Recommenders 的 SVD<CommunitySharings/NniPracticeSharing/RecommendersSvd>
\ No newline at end of file

docs/zh_CN/Reference.rst → docs/zh_CN/reference.rst

@@ -4,7 +4,7 @@
 ..  toctree::
     :maxdepth: 3
     
-    命令行<NNICTLDOC>
+    命令行<Nnictl>
     Python API<sdk_reference>
     Annotation<AnnotationSpec>
     配置<ExperimentConfig>