Merge pull request #19 from microsoft/master

pull code

docs/zh_CN/AnnotationSpec.md

@@ -9,6 +9,7 @@
 ```python
 '''@nni.variable(nni.choice(0.1, 0.01, 0.001), name=learning_rate)'''
 learning_rate = 0.1
+
 ```
 
 此样例中，NNI 会从 (0.1, 0.01, 0.001) 中选择一个值赋给 learning_rate 变量。 第一行就是 NNI 的 Annotation，是 Python 中的一个字符串。 接下来的一行需要是赋值语句。 NNI 会根据 Annotation 行的信息，来给这一行的变量赋上相应的值。

docs/zh_CN/batchTuner.md → docs/zh_CN/BatchTuner.md

 # Batch Tuner
 
-## Batch Tuner（批量调参器）
+## Batch Tuner（批处理 Tuner）
 
 Batch Tuner 能让用户简单的提供几组配置（如，超参选项的组合）。 当所有配置都执行完后，Experiment 即结束。 Batch Tuner 的[搜索空间](SearchSpaceSpec.md)只支持 `choice`。
 

docs/zh_CN/Blog/index.rst

-######################
-博客
-######################
-
-..  toctree::
-    :maxdepth: 2
-
-    超参优化的对比<HPOComparison>
-    神经网络结构搜索（NAS）的对比<NASComparison>
\ No newline at end of file

docs/zh_CN/bohbAdvisor.md → docs/zh_CN/BohbAdvisor.md

@@ -10,7 +10,7 @@ BOHB 依赖 HB（Hyperband）来决定每次跑多少组参数和每组参数分
 
 ### HB（Hyperband）
 
-按照 Hyperband 的方式来选择每次跑的参数个数与分配多少资源（budget），并继续使用“连续减半（SuccessiveHalving）”策略，更多有关Hyperband算法的细节，请参考[NNI 中的 Hyperband](hyperbandAdvisor.md) 和 [Hyperband 的参考论文](https://arxiv.org/abs/1603.06560)。 下面的伪代码描述了这个过程。
+按照 Hyperband 的方式来选择每次跑的参数个数与分配多少资源（budget），并继续使用“连续减半（SuccessiveHalving）”策略，更多有关Hyperband算法的细节，请参考[NNI 中的 Hyperband](HyperbandAdvisor.md) 和 [Hyperband 的参考论文](https://arxiv.org/abs/1603.06560)。 下面的伪代码描述了这个过程。
 
 ![](../img/bohb_1.png)
 

docs/zh_CN/Builtin_Tuner.md → docs/zh_CN/BuiltinTuner.md

@@ -2,7 +2,7 @@
 
 NNI 提供了先进的调优算法，使用上也很简单。 下面是内置 Tuner 的简单介绍：
 
-注意：点击 **Tuner 的名称**可跳转到算法的详细描述，点击**用法**可看到 Tuner 的安装要求、建议场景和使用样例等等。 [此文章](./Blog/HPOComparison.md)对比了不同 Tuner 在几个问题下的不同效果。
+注意：点击 **Tuner 的名称**可跳转到算法的详细描述，点击**用法**可看到 Tuner 的安装要求、建议场景和使用样例等等。 [此文章](./CommunitySharings/HPOComparison.md)对比了不同 Tuner 在几个问题下的不同效果。
 
 当前支持的 Tuner：
 

docs/zh_CN/Blog/NASComparison.md → docs/zh_CN/CommunitySharings/AutomlPracticeSharing/NasComparison.md

@@ -14,7 +14,7 @@
 
 - NAO: <https://github.com/renqianluo/NAO>
 
-## 实验描述
+## 实验说明
 
 为了避免算法仅仅在 **CIFAR-10** 数据集上过拟合，还对比了包括 Fashion-MNIST, CIFAR-100, OUI-Adience-Age, ImageNet-10-1 (ImageNet的子集) 和 ImageNet-10-2 (ImageNet 的另一个子集) 在内的其它 5 个数据集。 分别从 ImageNet 中抽取 10 种不同类别标签的子集，组成 ImageNet10-1 和 ImageNet10-2 数据集 。
 
@@ -33,7 +33,7 @@
 
 NAO 需要太多的计算资源，因此只使用提供 Pipeline 脚本的 NAO-WS。
 
-对于 Autkeras，使用了 0.2.18 版本的代码, 因为这是开始实验时的最新版本。
+对于 AutoKeras，使用了 0.2.18 版本的代码, 因为这是开始实验时的最新版本。
 
 ## NAS 结果对比
 
@@ -54,13 +54,13 @@ NAO 需要太多的计算资源，因此只使用提供 Pipeline 脚本的 NAO-W
 | --------- | ------------ |:----------------:|:----------------:|:--------------:|:-----------:|
 | CIFAR- 10 | 88.56(best)  |   96.13(best)    |   97.11(best)    | 97.17(average) | 96.47(best) |
 
-对于 AutoKeras，由于其算法中的随机因素，它在所有数据集中的表现相对较差。
+AutoKeras，由于其算法中的随机因素，它在所有数据集中的表现相对较差。
 
-对于ENAS，ENAS（macro）在 OUI-Adience-Age 数据集中表现较好，并且 ENAS（micro）在 CIFAR-10 数据集中表现较好。
+ENAS，ENAS（macro）在 OUI-Adience-Age 数据集中表现较好，并且 ENAS（micro）在 CIFAR-10 数据集中表现较好。
 
 对于DARTS，在某些数据集上具有良好的结果，但在某些数据集中具有比较大的方差。 DARTS 三次实验中的差异在 OUI-Audience-Age 数据集上可达 5.37％（绝对值），在 ImageNet-10-1 数据集上可达4.36％（绝对值）。
 
-对于 NAO-WS，它在 ImageNet-10-2 中显示良好，但在 OUI-Adience-Age 中表现非常差。
+NAO-WS 在 ImageNet-10-2 中表现良好，但在 OUI-Adience-Age 中表现非常差。
 
 ## 参考文献
 

docs/zh_CN/Blog/HPOComparison.md → docs/zh_CN/CommunitySharings/NniPracticeSharing/HpoComparison.md

@@ -72,17 +72,17 @@
 ### 结果
 
 | 算法                  | 最好的损失值       | 最好的 5 次损失的平均值 | 最好的 10 次损失的平均 |
-| ------------- | ------------ | ------------- | ------------- |
-| Random Search | 0.418854     | 0.420352      | 0.421553      |
-| Random Search | 0.417364     | 0.420024      | 0.420997      |
-| Random Search | 0.417861     | 0.419744      | 0.420642      |
-| Grid Search   | 0.498166     | 0.498166      | 0.498166      |
+| ------------------- | ------------ | ------------- | ------------- |
+| Random Search（随机搜索） | 0.418854     | 0.420352      | 0.421553      |
+| Random Search（随机搜索） | 0.417364     | 0.420024      | 0.420997      |
+| Random Search（随机搜索） | 0.417861     | 0.419744      | 0.420642      |
+| Grid Search（遍历搜索）   | 0.498166     | 0.498166      | 0.498166      |
 | Evolution           | 0.409887     | 0.409887      | 0.409887      |
 | Evolution           | 0.413620     | 0.413875      | 0.414067      |
 | Evolution           | 0.409887     | 0.409887      | 0.409887      |
-| Anneal        | 0.414877     | 0.417289      | 0.418281      |
-| Anneal        | 0.409887     | 0.409887      | 0.410118      |
-| Anneal        | 0.413683     | 0.416949      | 0.417537      |
+| Anneal（退火算法）        | 0.414877     | 0.417289      | 0.418281      |
+| Anneal（退火算法）        | 0.409887     | 0.409887      | 0.410118      |
+| Anneal（退火算法）        | 0.413683     | 0.416949      | 0.417537      |
 | Metis               | 0.416273     | 0.420411      | 0.422380      |
 | Metis               | 0.420262     | 0.423175      | 0.424816      |
 | Metis               | 0.421027     | 0.424172      | 0.425714      |
@@ -189,9 +189,9 @@ IOPS 与在线处理能力有关，我们在实验中使用 IOPS 作为指标。
 #### fillrandom 基准
 
 | 模型           | 最高 IOPS（重复 1 次） | 最高 IOPS（重复 2 次） | 最高 IOPS（重复 3 次） |
-| --------- | --------------- | --------------- | --------------- |
+| ------------ | --------------- | --------------- | --------------- |
 | Random       | 449901          | 427620          | 477174          |
-| Anneal    | 461896          | 467150          | 437528          |
+| Anneal（退火算法） | 461896          | 467150          | 437528          |
 | Evolution    | 436755          | 389956          | 389790          |
 | TPE          | 378346          | 482316          | 468989          |
 | SMAC         | 491067          | 490472          | **491136**      |
@@ -204,9 +204,9 @@ IOPS 与在线处理能力有关，我们在实验中使用 IOPS 作为指标。
 #### readrandom 基准
 
 | 模型           | 最高 IOPS（重复 1 次） | 最高 IOPS（重复 2 次） | 最高 IOPS（重复 3 次） |
-| --------- | --------------- | --------------- | --------------- |
+| ------------ | --------------- | --------------- | --------------- |
 | Random       | 2276157         | 2285301         | 2275142         |
-| Anneal    | 2286330         | 2282229         | 2284012         |
+| Anneal（退火算法） | 2286330         | 2282229         | 2284012         |
 | Evolution    | 2286524         | 2283673         | 2283558         |
 | TPE          | 2287366         | 2282865         | 2281891         |
 | SMAC         | 2270874         | 2284904         | 2282266         |