Merge pull request #189 from microsoft/master

merge master

docs/zh_CN/WebUI.md

@@ -8,6 +8,7 @@
 * 支持下载 Experiment 结果。
 * 支持导出 nni-manager 和 dispatcher 的日志文件。
 * 如果有任何问题，可以点击 “Feedback” 告诉我们。
+* 如果 Experiment 包含了超过 1000 个 Trial，可改变刷新间隔。
 
 ![](../img/webui-img/over1.png)
 
@@ -58,6 +59,10 @@
 
 ![](../img/webui-img/addColumn.png)
 
+* 如果要比较某些 Trial，可选择并点击 "Compare" 来查看结果。
+
+![](../img/webui-img/compare.png)
+
 * 可使用 "Copy as python" 按钮来拷贝 Trial 的参数。
 
 ![](../img/webui-img/copyParameter.png)
@@ -68,6 +73,6 @@
 
 * Kill: 可终止正在运行的任务。
 * 支持搜索某个特定的 Trial。
-* 中间结果图。
+* Intermediate Result Graph: 可看到图中默认和其它的键值。
 
-![](../img/intermediate.png)
+![](../img/webui-img/intermediate.png)
\ No newline at end of file

docs/zh_CN/advanced.rst

-高级功能 
+高级功能
 =====================
 
 ..  toctree::

docs/zh_CN/conf.py

@@ -96,7 +96,7 @@ html_theme_options = {
 # Add any paths that contain custom static files (such as style sheets) here,
 # relative to this directory. They are copied after the builtin static files,
 # so a file named "default.css" will overwrite the builtin "default.css".
-# html_static_path = ['_static']
+html_static_path = ['../static']
 
 # Custom sidebar templates, must be a dictionary that maps document names
 # to template names.
@@ -191,4 +191,5 @@ def setup(app):
         'enable_eval_rst': True,
         'enable_auto_toc_tree': False,
             }, True)
-    app.add_transform(AutoStructify)
+    app.add_transform(AutoStructify)
\ No newline at end of file
+    app.add_stylesheet('css/custom.css')

docs/zh_CN/metisTuner.md

-# Metis Tuner
-
-## Metis Tuner
-
-大多数调参工具仅仅预测最优配置，而 [Metis](https://www.microsoft.com/en-us/research/publication/metis-robustly-tuning-tail-latencies-cloud-systems/) 的优势在于有两个输出：(a) 最优配置的当前预测结果， 以及 (b) 下一次 Trial 的建议。 不再需要随机猜测!
-
-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。
-
-大多数工具都有着重于在已有结果上继续发展的问题，而 Metis 的搜索策略可以在探索，发展和重新采样（可选）中进行平衡。
-
-Metis 属于基于序列的贝叶斯优化 (SMBO) 的类别，它也基于贝叶斯优化框架。 为了对超参-性能空间建模，Metis 同时使用了高斯过程（Gaussian Process）和高斯混合模型（GMM）。 由于每次 Trial 都可能有很高的时间成本，Metis 大量使用了已有模型来进行推理计算。 在每次迭代中，Metis 执行两个任务：
-
-在高斯过程空间中找到全局最优点。 这一点表示了最佳配置。
-
-它会标识出下一个超参的候选项。 这是通过对隐含信息的探索、挖掘和重采样来实现的。
-
-注意，搜索空间仅支持 `choice`, `quniform`, `uniform` 和 `randint`。
-
-更多详情，参考论文：https://www.microsoft.com/en-us/research/publication/metis-robustly-tuning-tail-latencies-cloud-systems/
\ No newline at end of file

docs/zh_CN/multiPhase.md

-## 多阶段 Experiment
-
-通常，每个 Trial 任务只需要从 Tuner 获取一个配置（超参等），然后使用这个配置执行并报告结果，然后退出。 但有时，一个 Trial 任务可能需要从 Tuner 请求多次配置。 这是一个非常有用的功能。 例如：
-
-1. 在一些训练平台上，需要数十秒来启动一个任务。 如果一个配置只需要一分钟就能完成，那么每个 Trial 任务中只运行一个配置就会非常低效。 这种情况下，可以在同一个 Trial 任务中，完成一个配置后，再请求并完成另一个配置。 极端情况下，一个 Trial 任务可以运行无数个配置。 如果设置了并发（例如设为 6），那么就会有 6 个**长时间**运行的任务来不断尝试不同的配置。
-
-2. 有些类型的模型需要进行多阶段的训练，而下一个阶段的配置依赖于前一个阶段的结果。 例如，为了找到模型最好的量化结果，训练过程通常为：自动量化算法（例如 NNI 中的 TunerJ）选择一个位宽（如 16 位）， Trial 任务获得此配置，并训练数个 epoch，并返回结果（例如精度）。 算法收到结果后，决定是将 16 位改为 8 位，还是 32 位。 此过程会重复多次。
-
-上述情况都可以通过多阶段执行的功能来支持。 为了支持这些情况，一个 Trial 任务需要能从 Tuner 请求多个配置。 Tuner 需要知道两次配置请求是否来自同一个 Trial 任务。 同时，多阶段中的 Trial 任务需要多次返回最终结果。
-
-注意， `nni.get_next_parameter()` 和 `nni.report_final_result()` 需要被依次调用：**先调用前者，然后调用后者，并按此顺序重复调用**。 如果 `nni.get_next_parameter()` 被连续多次调用，然后再调用 `nni.report_final_result()`，这会造成最终结果只会与 get_next_parameter 所返回的最后一个配置相关联。 因此，前面的 get_next_parameter 调用都没有关联的结果，这可能会造成一些多阶段算法出问题。
-
-## 创建多阶段的 Experiment
-
-### 编写使用多阶段的 Trial 代码：
-
-**1. 更新 Trial 代码**
-
-Trial 代码中使用多阶段非常容易，样例如下：
-
-    ```python
-    # ...
-    for i in range(5):
-        # 从 Tuner 中获得参数
-        tuner_param = nni.get_next_parameter()
-    
-        # 使用参数
-        # ...
-        # 为上面获取的参数返回最终结果
-        nni.report_final_result()
-        # ...
-    # ...
-    ```
-    
-
-**2. 修改 Experiment 配置**
-
-要启用多阶段，需要在 Experiment 的 YAML 配置文件中增加 `multiPhase: true`。 如果不添加此参数，`nni.get_next_parameter()` 会一直返回同样的配置。 对于所有内置的 Tuner 和 Advisor，不需要修改任何代码，就直接支持多阶段请求配置。
-
-### 编写使用多阶段的 Tuner：
-
-强烈建议首先阅读[自定义 Tuner](https://nni.readthedocs.io/en/latest/Customize_Tuner.html)，再开始编写多阶段 Tuner。 与普通 Tuner 不同的是，必须继承于 `MultiPhaseTuner`（在 nni.multi_phase_tuner 中）。 `Tuner` 与 `MultiPhaseTuner` 之间最大的不同是，MultiPhaseTuner 多了一些信息，即 `trial_job_id`。 有了这个信息， Tuner 能够知道哪个 Trial 在请求配置信息， 返回的结果是哪个 Trial 的。 通过此信息，Tuner 能够灵活的为不同的 Trial 及其阶段实现功能。 例如，可在 generate_parameters 方法中使用 trial_job_id 来为特定的 Trial 任务生成超参。
-
-当然，要使用自定义的多阶段 Tuner ，也需要**在 Experiment 的 YAML 配置文件中增加`multiPhase: true`**。
-
-[ENAS Tuner](https://github.com/countif/enas_nni/blob/master/nni/examples/tuners/enas/nni_controller_ptb.py) 是多阶段 Tuner 的样例。
\ No newline at end of file

docs/zh_CN/networkmorphismTuner.md

-# Network Morphism Tuner
-
-## 1. 介绍
-
-[Autokeras](https://arxiv.org/abs/1806.10282) 是使用 Network Morphism 算法的流行的自动机器学习工具。 Autokeras 的基本理念是使用贝叶斯回归来预测神经网络架构的指标。 每次都会从父网络生成几个子网络。 然后使用朴素贝叶斯回归，从网络的历史训练结果来预测它的指标值。 接下来，会选择预测结果最好的子网络加入训练队列中。 在[此代码](https://github.com/jhfjhfj1/autokeras)的启发下，我们在 NNI 中实现了 Network Morphism 算法。
-
-要了解 Network Morphism Trial 的用法，参考 [Readme_zh_CN.md](https://github.com/Microsoft/nni/blob/master/examples/trials/network_morphism/README_zh_CN.md)，了解更多细节。
-
-## 2. 用法
-
-要使用 Network Morphism，需要如下配置 `config.yml` 文件：
-
-```yaml
-tuner:
-  #选择: NetworkMorphism
-  builtinTunerName: NetworkMorphism
-  classArgs:
-    #可选项: maximize, minimize
-    optimize_mode: maximize
-    #当前仅支持 cv 领域
-    task: cv
-    #修改来支持实际图像宽度
-    input_width: 32
-    #修改来支持实际图像通道
-    input_channel: 3
-    #修改来支持实际的分类数量
-    n_output_node: 10
-```
-
-在训练过程中，会生成一个 JSON 文件来表示网络图。 可调用 "json\_to\_graph()" 函数来将 JSON 文件转化为 Pytoch 或 Keras 模型。
-
-```python
-import nni
-from nni.networkmorphism_tuner.graph import json_to_graph
-
-def build_graph_from_json(ir_model_json):
-    """从 JSON 生成 Pytorch 模型
-    """
-    graph = json_to_graph(ir_model_json)
-    model = graph.produce_torch_model()
-    return model
-
-# 从网络形态 Tuner 中获得下一组参数
-RCV_CONFIG = nni.get_next_parameter()
-# 调用函数来生成 Pytorch 或 Keras 模型
-net = build_graph_from_json(RCV_CONFIG)
-
-# 训练过程
-# ....
-
-# 将最终精度返回给 NNI
-nni.report_final_result(best_acc)
-```
-
-如果需要保存并**读取最佳模型**，推荐采用以下方法。
-
-```python
-# 1. 使用 NNI API
-## 从 Web 界面获取最佳模型的 ID 
-## 或查看 `nni/experiments/experiment_id/log/model_path/best_model.txt' 文件
-
-## 从 JSON 文件中读取，并使用 NNI API 来加载
-with open("best-model.json") as json_file:
-    json_of_model = json_file.read()
-model = build_graph_from_json(json_of_model)
-
-# 2. 使用框架的 API (与具体框架相关) 
-## 2.1 Keras API
-
-## 在 Trial 代码中使用 Keras API 保存
-## 最好保存 NNI 的 ID
-model_id = nni.get_sequence_id()
-## 将模型序列化为 JSON
-model_json = model.to_json()
-with open("model-{}.json".format(model_id), "w") as json_file:
-    json_file.write(model_json)
-## 将权重序列化至 HDF5
-model.save_weights("model-{}.h5".format(model_id))
-
-## 重用模型时，使用 Keras API 读取
-## 读取 JSON 文件，并创建模型
-model_id = "" # 需要重用的模型 ID
-with open('model-{}.json'.format(model_id), 'r') as json_file:
-    loaded_model_json = json_file.read()
-loaded_model = model_from_json(loaded_model_json)
-## 将权重加载到新模型中
-loaded_model.load_weights("model-{}.h5".format(model_id))
-
-## 2.2 PyTorch API
-
-## 在 Trial 代码中使用 PyTorch API 保存
-model_id = nni.get_sequence_id()
-torch.save(model, "model-{}.pt".format(model_id))
-
-## 重用模型时，使用 PyTorch API 读取
-model_id = "" # 需要重用的模型 ID
-loaded_model = torch.load("model-{}.pt".format(model_id))
-
-```
-
-## 3. 文件结构
-
-Tuner 有大量的文件、函数和类。 这里只简单介绍最重要的文件：
-
-- `networkmorphism_tuner.py` 是使用 network morphism 算法的 Tuner。
-
-- `bayesian.py` 是用来基于已经搜索道德模型来预测未知模型指标的贝叶斯算法。
-
-- `graph.py` 是元图数据结构。 类 Graph 表示了模型的神经网络图。 
-  - Graph 从模型中抽取神经网络。 
-  - 图中的每个节点都是层之间的中间张量。
-  - 在图中，边表示层。
-  - 注意，多条边可能会表示同一层。
-
-- `graph_transformer.py` 包含了一些图转换，包括变宽，变深，或在图中增加跳跃连接。
-
-- `layers.py` 包括模型中用到的所有层。
-
-- `layer_transformer.py` 包含了一些层转换，包括变宽，变深，或在层中增加跳跃连接。
-- `nn.py` 包含生成初始化网的类。
-- `metric.py` 包括了一些指标类，如 Accuracy 和 MSE。
-- `utils.py` 是使用 Keras 在数据集 `cifar10` 上搜索神经网络的样例。
-
-## 4. 网络表示的 JSON 样例
-
-这是定义的中间表示 JSON 样例，在架构搜索过程中会从 Tuner 传到 Trial。 可调用 "json\_to\_graph()" 函数来将 JSON 文件转化为 Pytoch 或 Keras 模型。 样例如下。
-
-```json
-{
-     "input_shape": [32, 32, 3],
-     "weighted": false,
-     "operation_history": [],
-     "layer_id_to_input_node_ids": {"0": [0],"1": [1],"2": [2],"3": [3],"4": [4],"5": [5],"6": [6],"7": [7],"8": [8],"9": [9],"10": [10],"11": [11],"12": [12],"13": [13],"14": [14],"15": [15],"16": [16]
-     },
-     "layer_id_to_output_node_ids": {"0": [1],"1": [2],"2": [3],"3": [4],"4": [5],"5": [6],"6": [7],"7": [8],"8": [9],"9": [10],"10": [11],"11": [12],"12": [13],"13": [14],"14": [15],"15": [16],"16": [17]
-     },
-     "adj_list": {
-         "0": [[1, 0]],
-         "1": [[2, 1]],
-         "2": [[3, 2]],
-         "3": [[4, 3]],
-         "4": [[5, 4]],
-         "5": [[6, 5]],
-         "6": [[7, 6]],
-         "7": [[8, 7]],
-         "8": [[9, 8]],
-         "9": [[10, 9]],
-         "10": [[11, 10]],
-         "11": [[12, 11]],
-         "12": [[13, 12]],
-         "13": [[14, 13]],
-         "14": [[15, 14]],
-         "15": [[16, 15]],
-         "16": [[17, 16]],
-         "17": []
-     },
-     "reverse_adj_list": {
-         "0": [],
-         "1": [[0, 0]],
-         "2": [[1, 1]],
-         "3": [[2, 2]],
-         "4": [[3, 3]],
-         "5": [[4, 4]],
-         "6": [[5, 5]],
-         "7": [[6, 6]],
-         "8": [[7, 7]],
-         "9": [[8, 8]],
-         "10": [[9, 9]],
-         "11": [[10, 10]],
-         "12": [[11, 11]],
-         "13": [[12, 12]],
-         "14": [[13, 13]],
-         "15": [[14, 14]],
-         "16": [[15, 15]],
-         "17": [[16, 16]]
-     },
-     "node_list": [
-         [0, [32, 32, 3]],
-         [1, [32, 32, 3]],
-         [2, [32, 32, 64]],
-         [3, [32, 32, 64]],
-         [4, [16, 16, 64]],
-         [5, [16, 16, 64]],
-         [6, [16, 16, 64]],
-         [7, [16, 16, 64]],
-         [8, [8, 8, 64]],
-         [9, [8, 8, 64]],
-         [10, [8, 8, 64]],
-         [11, [8, 8, 64]],
-         [12, [4, 4, 64]],
-         [13, [64]],
-         [14, [64]],
-         [15, [64]],
-         [16, [64]],
-         [17, [10]]
-     ],
-     "layer_list": [
-         [0, ["StubReLU", 0, 1]],
-         [1, ["StubConv2d", 1, 2, 3, 64, 3]],
-         [2, ["StubBatchNormalization2d", 2, 3, 64]],
-         [3, ["StubPooling2d", 3, 4, 2, 2, 0]],
-         [4, ["StubReLU", 4, 5]],
-         [5, ["StubConv2d", 5, 6, 64, 64, 3]],
-         [6, ["StubBatchNormalization2d", 6, 7, 64]],
-         [7, ["StubPooling2d", 7, 8, 2, 2, 0]],
-         [8, ["StubReLU", 8, 9]],
-         [9, ["StubConv2d", 9, 10, 64, 64, 3]],
-         [10, ["StubBatchNormalization2d", 10, 11, 64]],
-         [11, ["StubPooling2d", 11, 12, 2, 2, 0]],
-         [12, ["StubGlobalPooling2d", 12, 13]],
-         [13, ["StubDropout2d", 13, 14, 0.25]],
-         [14, ["StubDense", 14, 15, 64, 64]],
-         [15, ["StubReLU", 15, 16]],
-         [16, ["StubDense", 16, 17, 64, 10]]
-     ]
- }
-```
-
-每个模型的定义都是一个 JSON 对象 （也可以认为模型是一个 [有向无环图](https://en.wikipedia.org/wiki/Directed_acyclic_graph))：
-
-- `input_shape` 是整数的列表，不包括批量维度。
-- `weighted` 表示是否权重和偏移值应该包含在此神经网络图中。
-- `operation_history` 是保存了所有网络形态操作的列表。
-- `layer_id_to_input_node_ids` 是字典实例，将层的标识映射到输入节点标识。
-- `layer_id_to_output_node_ids` 是字典实例，将层的标识映射到输出节点标识。
-- `adj_list` 是二维列表。 是图的邻接列表。 第一维是张量标识。 在每条边的列表中，元素是两元组（张量标识，层标识）。
-- `reverse_adj_list` 是与 adj_list 格式一样的反向邻接列表。
-- `node_list` 是一个整数列表。 列表的索引是标识。
-- `layer_list` 是层的列表。 列表的索引是标识。
-  
-  - 对于 `StubConv (StubConv1d, StubConv2d, StubConv3d)`，后面的数字表示节点的输入 id（或 id 列表），节点输出 id，input_channel，filters，kernel_size，stride 和 padding。
-  
-  - 对于 `StubDense`，后面的数字表示节点的输入 id （或 id 列表），节点输出 id，input_units 和 units。
-  
-  - 对于 `StubBatchNormalization (StubBatchNormalization1d, StubBatchNormalization2d, StubBatchNormalization3d)`，后面的数字表示节点输入 id（或 id 列表），节点输出 id，和特征数量。
-  
-  - 对于 `StubDropout(StubDropout1d, StubDropout2d, StubDropout3d)`，后面的数字表示节点的输入 id （或 id 列表），节点的输出 id 和 dropout 率。
-  
-  - 对于 `StubPooling (StubPooling1d, StubPooling2d, StubPooling3d)`后面的数字表示节点的输入 id（或 id 列表），节点输出 id，kernel_size, stride 和 padding。
-  
-  - 对于其它层，后面的数字表示节点的输入 id（或 id 列表）以及节点的输出 id。
-
-## 5. TODO
-
-下一步，会将 API 从固定的网络生成方法改为更多的网络操作生成方法。 此外，还会使用 ONNX 格式来替代 JSON 作为中间表示结果。
\ No newline at end of file

docs/zh_CN/reference.rst

@@ -3,10 +3,10 @@
 
 ..  toctree::
     :maxdepth: 3
-    
+
     命令行<Nnictl>
     Python API<sdk_reference>
     Annotation<AnnotationSpec>
     配置<ExperimentConfig>
     搜索空间<SearchSpaceSpec>
-    实现训练平台<HowToImplementTrainingService>
+    实现训练平台<HowToImplementTrainingService>
\ No newline at end of file

examples/trials/NAS/README_zh_CN.md

-**在 NNI 中运行神经网络架构搜索**  
-===
-
-参考 [NNI-NAS-Example](https://github.com/Crysple/NNI-NAS-Example)，来使用贡献者提供的 NAS 接口。
-
-谢谢可爱的贡献者！
-
-欢迎越来越多的人加入我们！
\ No newline at end of file

examples/trials/README_zh_CN.md

@@ -137,7 +137,7 @@ def train(args, params):
 
     _, acc = model.evaluate(x_test, y_test, verbose=0)
 
-...    
+...
 ```
 
 **4) 发送最终结果**
@@ -160,7 +160,7 @@ def train(args, params):
 
     _, acc = model.evaluate(x_test, y_test, verbose=0)
     nni.report_final_result(acc)
-...    
+...
 ```
 
 这是完整的样例：

examples/trials/auto-gbdt/config.yml

@@ -9,7 +9,7 @@ searchSpacePath: search_space.json
 #choice: true, false
 useAnnotation: false
 tuner:
-  #choice: TPE, Random, Anneal, Evolution, BatchTuner, MetisTuner
+  #choice: TPE, Random, Anneal, Evolution, BatchTuner, MetisTuner, GPTuner
   #SMAC (SMAC should be installed through nnictl)
   builtinTunerName: TPE
   classArgs:

examples/trials/auto-gbdt/config_metis.yml

@@ -9,7 +9,7 @@ searchSpacePath: search_space_metis.json
 #choice: true, false
 useAnnotation: false
 tuner:
-  #choice: TPE, Random, Anneal, Evolution, BatchTuner, MetisTuner
+  #choice: TPE, Random, Anneal, Evolution, BatchTuner, MetisTuner, GPTuner
   #SMAC (SMAC should be installed through nnictl)
   builtinTunerName: MetisTuner
   classArgs:

examples/trials/auto-gbdt/config_pai.yml

@@ -9,7 +9,7 @@ searchSpacePath: search_space.json
 #choice: true, false
 useAnnotation: false
 tuner:
-  #choice: TPE, Random, Anneal, Evolution, BatchTuner, MetisTuner
+  #choice: TPE, Random, Anneal, Evolution, BatchTuner, MetisTuner, GPTuner
   #SMAC (SMAC should be installed through nnictl)
   builtinTunerName: TPE
   classArgs:

examples/trials/cifar10_pytorch/utils.py

@@ -6,8 +6,8 @@
 import os
 import sys
 import time
-import math
 
+import torch
 import torch.nn as nn
 import torch.nn.init as init
 

examples/trials/kaggle-tgs-salt/README_zh_CN.md

@@ -17,7 +17,7 @@
 
 将目录 0-3 训练 100 个 epoch，对于每个目录，训练三个模型：
 
-    python3 train.py --ifolds 0 --epochs 100 --model_name UNetResNetV4 
+    python3 train.py --ifolds 0 --epochs 100 --model_name UNetResNetV4
     python3 train.py --ifolds 0 --epochs 100 --model_name UNetResNetV5 --layers 50
     python3 train.py --ifolds 0 --epochs 100 --model_name UNetResNetV6
     
@@ -26,7 +26,7 @@
 
 使用余弦退火学习率调度器运行 300 次 epoch 来微调阶段 1 的模型：
 
-    python3 train.py --ifolds 0 --epochs 300 --lrs cosine --lr 0.001 --min_lr 0.0001 --model_name UNetResNetV4 
+    python3 train.py --ifolds 0 --epochs 300 --lrs cosine --lr 0.001 --min_lr 0.0001 --model_name UNetResNetV4
     
 
 阶段 3：

examples/trials/kaggle-tgs-salt/predict.py

@@ -133,7 +133,7 @@ def generate_preds(outputs, target_size, pad_mode, threshold=0.5):
         if pad_mode == 'resize':
             cropped = resize_image(output, target_size=target_size)
         else:
-            cropped = crop_image_softmax(output, target_size=target_size)
+            cropped = crop_image(output, target_size=target_size)
         pred = binarize(cropped, threshold)
         preds.append(pred)
 

examples/trials/mnist/config.yml

@@ -9,7 +9,7 @@ searchSpacePath: search_space.json
 #choice: true, false
 useAnnotation: false
 tuner:
-  #choice: TPE, Random, Anneal, Evolution, BatchTuner, MetisTuner
+  #choice: TPE, Random, Anneal, Evolution, BatchTuner, MetisTuner, GPTuner
   #SMAC (SMAC should be installed through nnictl)
   builtinTunerName: TPE
   classArgs:

examples/trials/mnist/config_assessor.yml

@@ -9,7 +9,7 @@ searchSpacePath: search_space.json
 #choice: true, false
 useAnnotation: false
 tuner:
-  #choice: TPE, Random, Anneal, Evolution, BatchTuner, MetisTuner
+  #choice: TPE, Random, Anneal, Evolution, BatchTuner, MetisTuner, GPTuner
   #SMAC (SMAC should be installed through nnictl)
   builtinTunerName: TPE
   classArgs:

examples/trials/mnist/config_frameworkcontroller.yml

@@ -9,7 +9,7 @@ searchSpacePath: search_space.json
 #choice: true, false
 useAnnotation: false
 tuner:
-  #choice: TPE, Random, Anneal, Evolution, BatchTuner, MetisTuner
+  #choice: TPE, Random, Anneal, Evolution, BatchTuner, MetisTuner, GPTuner
   builtinTunerName: TPE
   classArgs:
     #choice: maximize, minimize

examples/trials/mnist/config_kubeflow.yml

@@ -9,7 +9,7 @@ searchSpacePath: search_space.json
 #choice: true, false
 useAnnotation: false
 tuner:
-  #choice: TPE, Random, Anneal, Evolution, BatchTuner, MetisTuner
+  #choice: TPE, Random, Anneal, Evolution, BatchTuner, MetisTuner, GPTuner
   builtinTunerName: TPE
   classArgs:
     #choice: maximize, minimize

examples/trials/mnist/config_pai.yml

@@ -9,7 +9,7 @@ searchSpacePath: search_space.json
 #choice: true, false
 useAnnotation: false
 tuner:
-  #choice: TPE, Random, Anneal, Evolution, BatchTuner, MetisTuner
+  #choice: TPE, Random, Anneal, Evolution, BatchTuner, MetisTuner, GPTuner
   #SMAC (SMAC should be installed through nnictl)
   builtinTunerName: TPE
   classArgs: