Tuner doc translation (#4446)

docs/zh_CN/builtin_tuner.rst

 .. 1ff18ebada0efec66cd793f1a000f3fe
 
 内置 Tuner
-==============
+==========
 
-NNI 能用简单快速的方法来配置超参调优算法，称之为 **Tuner**。
+为了让机器学习和深度学习模型适应不同的任务和问题，我们需要进行超参数调优，而自动化调优依赖于优秀的调优算法。NNI 内置了先进的调优算法，并且提供了易于使用的 API。
 
-Tuner 从 Trial 接收指标结果，来评估一组超参或网络结构的性能。 然后 Tuner 会将下一组超参或网络结构的配置发送给新的 Trial。
+在 NNI 中，调优算法被称为“tuner”。Tuner 向 trial 发送超参数，接收运行结果从而评估这组超参的性能，然后将下一组超参发送给新的 trial。
 
+下表简要介绍了 NNI 内置的调优算法。点击 tuner 的名称可以查看其安装需求、推荐使用场景、示例配置文件等详细信息。`这篇文章 <../CommunitySharings/HpoComparison.rst>`__ 对比了各个 tuner 在不同场景下的性能。
+
+.. list-table::
+  :header-rows: 1
+  :widths: auto
+
+  * - Tuner
+    - 算法简介
+
+  * - `TPE <./TpeTuner.rst>`__
+    - Tree-structured Parzen Estimator (TPE) 是一种基于序列模型的优化方法 (sequential model-based optimization, SMBO)。SMBO方法根据历史数据来顺序地构造模型，从而预估超参性能，并基于此模型来选择新的超参。`参考论文 <https://papers.nips.cc/paper/4443-algorithms-for-hyper-parameter-optimization.pdf>`__
+
+  * - `Random Search (随机搜索) <./RandomTuner.rst>`__
+    - 随机搜索在超算优化中表现出了令人意外的性能。如果没有对超参分布的先验知识，我们推荐使用随机搜索作为基线方法。`参考论文 <http://www.jmlr.org/papers/volume13/bergstra12a/bergstra12a.pdf>`__
+
+  * - `Anneal (退火) <./AnnealTuner.rst>`__
+    - 朴素退火算法首先基于先验进行采样，然后逐渐逼近实际性能较好的采样点。该算法是随即搜索的变体，利用了反应曲面的平滑性。该实现中退火率不是自适应的。
+
+  * - `Naive Evolution（朴素进化） <./EvolutionTuner.rst>`__
+    - 朴素进化算法来自于 Large-Scale Evolution of Image Classifiers。它基于搜索空间随机生成一个种群，在每一代中选择较好的结果，并对其下一代进行变异。朴素进化算法需要很多 Trial 才能取得最优效果，但它也非常简单，易于扩展。`参考论文 <https://arxiv.org/pdf/1703.01041.pdf>`__
+
+  * - `SMAC <./SmacTuner.rst>`__
+    - SMAC 是基于序列模型的优化方法 (SMBO)。它利用使用过的最突出的模型（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 tuner 封装了 GitHub 上的 `SMAC3 <https://github.com/automl/SMAC3>`__。`参考论文 <https://www.cs.ubc.ca/~hutter/papers/10-TR-SMAC.pdf>`__
+
+      注意：SMAC 算法需要使用 ``pip install nni[SMAC]`` 安装依赖，暂不支持 Windows 操作系统。
+
+  * - `Batch（批处理） <./BatchTuner.rst>`__
+    - 批处理允许用户直接提供若干组配置，为每种配置运行一个 trial。
+
+  * - `Grid Search（网格遍历） <./GridsearchTuner.rst>`__
+    - 网格遍历会穷举搜索空间中的所有超参组合。
+
+  * - `Hyperband <./HyperbandAdvisor.rst>`__
+    - Hyperband 试图用有限的资源探索尽可能多的超参组合。该算法的思路是，首先生成大量超参配置，将每组超参运行较短的一段时间，随后抛弃其中效果较差的一半，让较好的超参继续运行，如此重复多轮。`参考论文 <https://arxiv.org/pdf/1603.06560.pdf>`__
+
+  * - `Metis <./MetisTuner.rst>`__
+    - 大多数调参工具仅仅预测最优配置，而 Metis 的优势在于它有两个输出：(a) 最优配置的当前预测结果， 以及 (b) 下一次 trial 的建议。大多数工具假设训练集没有噪声数据，但 Metis 会知道是否需要对某个超参重新采样。`参考论文 <https://www.microsoft.com/en-us/research/publication/metis-robustly-tuning-tail-latencies-cloud-systems/>`__
+
+  * - `BOHB <./BohbAdvisor.rst>`__
+    - BOHB 是 Hyperband 算法的后续工作。 Hyperband 在生成新的配置时，没有利用已有的 trial 结果，而本算法利用了 trial 结果。BOHB 中，HB 表示 Hyperband，BO 表示贝叶斯优化（Byesian Optimization）。 BOHB 会建立多个 TPE 模型，从而利用已完成的 Trial 生成新的配置。`参考论文 <https://arxiv.org/abs/1807.01774>`__
+
+  * - `GP (高斯过程) <./GPTuner.rst>`__
+    - GP Tuner 是基于序列模型的优化方法 (SMBO)，使用高斯过程进行 surrogate。`参考论文 <https://papers.nips.cc/paper/4443-algorithms-for-hyper-parameter-optimization.pdf>`__
+
+  * - `PBT <./PBTTuner.rst>`__
+    - PBT Tuner 是一种简单的异步优化算法，在固定的计算资源下，它能有效的联合优化一组模型及其超参来最优化性能。`参考论文 <https://arxiv.org/abs/1711.09846v1>`__
+
+  * - `DNGO <./DngoTuner.rst>`__
+    - DNGO 是基于序列模型的优化方法 (SMBO)，该算法使用神经网络（而不是高斯过程）去建模贝叶斯优化中所需要的函数分布。
 
 ..  toctree::
     :maxdepth: 1
-    
-    概述<Tuner/BuiltinTuner>
-    Random Search（随机搜索）<Tuner/HyperoptTuner>
-    Naïve Evolution（朴素进化）<Tuner/EvolutionTuner>
-    SMAC<Tuner/SmacTuner>
-    Metis Tuner<Tuner/MetisTuner>
-    Batch Tuner（批处理）<Tuner/BatchTuner>
-    Grid Search（遍历）<Tuner/GridsearchTuner>
-    GP Tuner<Tuner/GPTuner>
-    Network Morphism<Tuner/NetworkmorphismTuner>
-    Hyperband<Tuner/HyperbandAdvisor>
-    BOHB<Tuner/BohbAdvisor>
+
+    TPE <Tuner/TpeTuner>
+    Random Search（随机搜索） <Tuner/RandomTuner>
+    Anneal（退火） <Tuner/AnnealTuner>
+    Naïve Evolution（朴素进化） <Tuner/EvolutionTuner>
+    SMAC <Tuner/SmacTuner>
+    Metis Tuner <Tuner/MetisTuner>
+    Batch Tuner（批处理） <Tuner/BatchTuner>
+    Grid Search（网格遍历） <Tuner/GridsearchTuner>
+    GP Tuner <Tuner/GPTuner>
+    Network Morphism <Tuner/NetworkmorphismTuner>
+    Hyperband <Tuner/HyperbandAdvisor>
+    BOHB <Tuner/BohbAdvisor>
     PBT Tuner <Tuner/PBTTuner>
     DNGO Tuner <Tuner/DngoTuner>

docs/zh_CN/hyperparameter_tune.rst

 .. 6ed30d3a87dbc4c1c4650cf56f074045
 
-#############################
-自动（超参数）调优
-#############################
+##############
+自动超参数调优
+##############
 
-自动调优是 NNI 提供的关键功能之一，主要应用场景是
-超参调优。 应用于 Trial 代码的调优。 提供了很多流行的
-自动调优算法（称为 Tuner ）和一些提前终止算法（称为 Assessor）。
-NNI 支持在各种培训平台上运行 Trial，例如，在本地计算机上运行，
-在多台服务器上分布式运行，或在 OpenPAI，Kubernetes 等平台上。
+自动调优是 NNI 的主要功能之一。它的工作模式是反复运行 trial 代码，每次向其提供不同的超参组合，从而对 trial 的运行结果进行调优。NNI 提供了很多流行的自动调优算法（称为 Tuner）和一些提前终止算法（称为 Assessor）。NNI 支持在多种训练平台上运行 trial，包括本机、远程服务器、Azure Machine Learning、基于 Kubernetes 的集群（如 OpenPAI、Kubeflow）等等。
 
-NNI 的其它重要功能，例如模型压缩，特征工程，也可以进一步
-通过自动调优来提高，这会在介绍具体功能时提及。
-
-NNI 具有高扩展性，高级用户可以定制自己的 Tuner、 Assessor，以及训练平台
-来适应不同的需求。
+NNI 具有高扩展性，用户可以根据需求实现自己的 Tuner 算法和训练平台。
 
 ..  toctree::
     :maxdepth: 2
 
-    实现 Trial<./TrialExample/Trials>
+    实现 Trial <./TrialExample/Trials>
     Tuners <builtin_tuner>
     Assessors <builtin_assessor>
     训练平台 <training_services>
     示例 <examples>
     Web 界面 <Tutorial/WebUI>
     如何调试 <Tutorial/HowToDebug>
-    高级 <hpo_advanced>
+    高级功能 <hpo_advanced>
     Tuner 基准测试 <hpo_benchmark>