Chinese Translation (#1198)

docs/zh_CN/NniOnWindows.md

@@ -22,16 +22,6 @@ nnictl create --config nni\examples\trials\mnist\config_windows.yml
 
 > building 'simplejson._speedups' extension error: [WinError 3] The system cannot find the path specified
 
-### 从源代码安装 NNI 时，遇到 PowerShell 错误
-
-如果第一次运行 PowerShell 脚本，且没有设置过执行脚本的策略，会遇到下列错误。 需要以管理员身份运行此命令：
-
-```bash
-Set-ExecutionPolicy -ExecutionPolicy Unrestricted
-```
-
-> ...cannot be loaded because running scripts is disabled on this system.
-
 ### 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 或 Miniconda 和 Python（64位）可解决。
@@ -40,11 +30,7 @@ Set-ExecutionPolicy -ExecutionPolicy Unrestricted
 
 ### Web 界面上的 Trial 错误
 
-检查 Trial 日志文件来了解详情。 如果没有日志文件，且 NNI 是通过 pip 安装的，则需要在管理员权限下先运行以下命令：
-
-```bash
-Set-ExecutionPolicy -ExecutionPolicy Unrestricted
-```
+检查 Trial 日志文件来了解详情。
 
 如果存在 stderr 文件，也需要查看其内容。 可能的错误情况包括：
 

docs/zh_CN/Nnictl.md

@@ -15,6 +15,7 @@ nnictl 支持的命令：
 * [nnictl trial](#trial)
 * [nnictl top](#top)
 * [nnictl experiment](#experiment)
+* [nnictl platform](#platform)
 * [nnictl config](#config)
 * [nnictl log](#log)
 * [nnictl webui](#webui)
@@ -376,6 +377,24 @@ nnictl 支持的命令：
     nnictl experiment list
     ```
 
+* **nnictl experiment delete**
+  
+  * 说明
+    
+    删除一个或所有 Experiment，包括日志、结果、环境信息和缓存。 用于删除无用的 Experiment 结果，或节省磁盘空间。
+  
+  * 用法
+    
+    ```bash
+    nnictl experiment delete [OPTIONS]
+    ```
+  
+  * 选项
+  
+  | 参数及缩写 | 是否必需  | 默认值 | 说明            |
+  | ----- | ----- | --- | ------------- |
+  | id    | False |     | Experiment ID |
+
 <a name="export"></a>
 
 * **nnictl experiment export**
@@ -464,6 +483,31 @@ nnictl 支持的命令：
     nnictl experiment import [experiment_id] -f experiment_data.json
     ```
 
+<a name="platform"></a>
+![](https://placehold.it/15/1589F0/000000?text=+) `管理平台的信息`
+
+* **nnictl platform clean**
+  
+  * 说明
+    
+    用于清理目标平台上的磁盘空间。 所提供的 YAML 文件包括了目标平台的信息，与 NNI 配置文件的格式相同。
+  
+  * 注意
+    
+    如果目标平台正在被别人使用，可能会造成他人的意外错误。
+  
+  * 用法
+    
+    ```bash
+    nnictl platform clean [OPTIONS]
+    ```
+  
+  * 选项
+  
+  | 参数及缩写    | 是否必需 | 默认值 | 说明                            |
+  | -------- | ---- | --- | ----------------------------- |
+  | --config | True |     | 创建 Experiment 时的 YAML 配置文件路径。 |
+
 <a name="config"></a>
 ![](https://placehold.it/15/1589F0/000000?text=+) `nnictl config show`
 
@@ -497,12 +541,12 @@ nnictl 支持的命令：
   
   | 参数及缩写      | 是否必需  | 默认值 | 说明                    |
   | ---------- | ----- | --- | --------------------- |
-  | id         | False |     | 需要设置的 Experiment 的 id |
+  | id         | False |     | 需要设置的 Experiment 的 ID |
   | --head, -h | False |     | 显示 stdout 开始的若干行      |
   | --tail, -t | False |     | 显示 stdout 结尾的若干行      |
   | --path, -p | False |     | 显示 stdout 文件的路径       |
   
-  * 样例
+  * 示例
     
     > 显示 stdout 结尾的若干行
     
@@ -526,7 +570,7 @@ nnictl 支持的命令：
   
   | 参数及缩写      | 是否必需  | 默认值 | 说明                    |
   | ---------- | ----- | --- | --------------------- |
-  | id         | False |     | 需要设置的 Experiment 的 id |
+  | id         | False |     | 需要设置的 Experiment 的 ID |
   | --head, -h | False |     | 显示 stderr 开始的若干行      |
   | --tail, -t | False |     | 显示 stderr 结尾的若干行      |
   | --path, -p | False |     | 显示 stderr 文件的路径       |
@@ -574,23 +618,23 @@ nnictl 支持的命令：
   
   | 参数及缩写          | 是否必需  | 默认值  | 说明                    |
   | -------------- | ----- | ---- | --------------------- |
-  | id             | False |      | 需要设置的 Experiment 的 ID |
+  | id             | False |      | 需要设置的 Experiment 的 id |
   | --trial_id, -T | False |      | Trial 的 id            |
   | --port         | False | 6006 | Tensorboard 进程的端口     |
   
   * 详细说明
     
-    1. NNICTL 当前仅支持本机和远程平台的 tensorboard，其它平台暂不支持。 
-    2. 如果要使用 tensorboard，需要将 tensorboard 日志输出到环境变量 [NNI_OUTPUT_DIR] 路径下。 
-    3. 在 local 模式中，nnictl 会直接设置 --logdir=[NNI_OUTPUT_DIR] 并启动 tensorboard 进程。
-    4. 在 remote 模式中，nnictl 会创建一个 ssh 客户端来将日志数据从远程计算机复制到本机临时目录中，然后在本机开始 tensorboard 进程。 需要注意的是，nnictl 只在使用此命令时复制日志数据，如果要查看最新的 tensorboard 结果，需要再次执行 nnictl tensorboard 命令。
-    5. 如果只有一个 Trial 任务，不需要设置 Trial ID。 如果有多个运行的 Trial 作业，需要设置 Trial ID，或使用 [nnictl tensorboard start --trial_id all] 来将 --logdir 映射到所有 Trial 的路径。
+    1. NNICTL 当前仅支持本机和远程平台的 Tensorboard，其它平台暂不支持。
+    2. 如果要使用 Tensorboard，需要将 Tensorboard 日志输出到环境变量 [NNI_OUTPUT_DIR] 路径下。
+    3. 在 local 模式中，nnictl 会直接设置 --logdir=[NNI_OUTPUT_DIR] 并启动 Tensorboard 进程。
+    4. 在 remote 模式中，nnictl 会创建一个 SSH 客户端来将日志数据从远程计算机复制到本机临时目录中，然后在本机开始 Tensorboard 进程。 需要注意的是，nnictl 只在使用此命令时复制日志数据，如果要查看最新的 tensorboard 结果，需要再次执行 nnictl tensorboard 命令。
+    5. 如果只有一个 Trial 任务，不需要设置 Trial ID。 如果有多个运行的 Trial 任务，需要设置 Trial ID，或使用 [nnictl tensorboard start --trial_id all] 来将 --logdir 映射到所有 Trial 的路径。
 
 * **nnictl tensorboard stop**
   
   * 说明
     
-    停止所有 tensorboard 进程。
+    停止所有 Tensorboard 进程。
   
   * 用法
     
@@ -602,7 +646,7 @@ nnictl 支持的命令：
   
   | 参数及缩写 | 是否必需  | 默认值 | 说明                    |
   | ----- | ----- | --- | --------------------- |
-  | id    | False |     | 需要设置的 Experiment 的 id |
+  | id    | False |     | 需要设置的 Experiment 的 ID |
 
 <a name="package"></a>
 
@@ -626,7 +670,7 @@ nnictl 支持的命令：
   | ------ | ---- | --- | ------- |
   | --name | True |     | 要安装的包名称 |
   
-  * 样例
+  * 示例
     
     > 安装 SMAC Tuner 所需要的包
     

docs/zh_CN/PaiMode.md

@@ -86,12 +86,10 @@ paiConfig:
 
 ## 版本校验
 
-从 0.6 开始，NNI 支持版本校验。确保 NNIManager 与 trialKeeper 的版本一致，避免兼容性错误。  
-检查策略：
+从 0.6 开始，NNI 支持版本校验。确保 NNIManager 与 trialKeeper 的版本一致，避免兼容性错误。 检查策略：
 
 1. 0.6 以前的 NNIManager 可与任何版本的 trialKeeper 一起运行，trialKeeper 支持向后兼容。
 2. 从 NNIManager 0.6 开始，与 triakKeeper 的版本必须一致。 例如，如果 NNIManager 是 0.6 版，则 trialKeeper 也必须是 0.6 版。
 3. 注意，只有版本的前两位数字才会被检查。例如，NNIManager 0.6.1 可以和 trialKeeper 的 0.6 或 0.6.2 一起使用，但不能与 trialKeeper 的 0.5.1 或 0.7 版本一起使用。
 
-如果 Experiment 无法运行，而且不能确认是否是因为版本不匹配造成的，可以在 Web 界面检查是否有相关的错误消息。  
-![](../img/version_check.png)
+如果 Experiment 无法运行，而且不能确认是否是因为版本不匹配造成的，可以在 Web 界面检查是否有相关的错误消息。 ![](../img/version_check.png)
\ No newline at end of file
\ No newline at end of file

docs/zh_CN/QuickStart.md

@@ -12,14 +12,6 @@
 
 #### Windows
 
-如果在 Windows 上使用 NNI，首次使用 PowerShell 时，需要以管理员身份运行下列命令。
-
-```bash
-    Set-ExecutionPolicy -ExecutionPolicy Unrestricted
-```
-
-然后通过 pip 安装 NNI：
-
 ```bash
     python -m pip install --upgrade nni
 ```
@@ -34,7 +26,7 @@
 
 NNI 是一个能进行自动机器学习实验的工具包。 它可以自动进行获取超参、运行 Trial，测试结果，调优超参的循环。 下面会展示如何使用 NNI 来找到最佳超参组合。
 
-这是**没有 NNI** 的样例代码，用 CNN 在 MNIST 数据集上训练：
+这是还**没有 NNI** 的样例代码，用 CNN 在 MNIST 数据集上训练：
 
 ```python
 def run_trial(params):
@@ -64,7 +56,7 @@ NNI 用来帮助超参调优。它的流程如下：
 
 ```pseudo
 输入: 搜索空间, Trial 代码, 配置文件
-输出: 一组最优的参数配置
+输出: 一组最佳的超参配置
 
 1: For t = 0, 1, 2, ..., maxTrialNum,
 2:      hyperparameter = 从搜索空间选择一组参数
@@ -72,7 +64,7 @@ NNI 用来帮助超参调优。它的流程如下：
 4:      返回最终结果给 NNI
 5:      If 时间达到上限,
 6:          停止实验
-7: 返回最好的实验结果
+7: return 最好的实验结果
 ```
 
 如果需要使用 NNI 来自动训练模型，找到最佳超参，需要如下三步：
@@ -205,7 +197,7 @@ You can use these commands to get more information about the experiment
 启动 Experiment 后，可以在命令行界面找到如下的 `Web 界面地址`：
 
 ```text
-The Web UI urls are: [IP 地址]:8080
+Web 地址为：[IP 地址]:8080
 ```
 
 在浏览器中打开 `Web 界面地址`(即：`[IP 地址]:8080`)，就可以看到 Experiment 的详细信息，以及所有的 Trial 任务。 如果无法打开终端中的 Web 界面链接，可以参考 [FAQ](FAQ.md)。

docs/zh_CN/Release.md

 # 更改日志
 
-# 发布 0.8 - 6/4/2019
+## 发布 0.8 - 6/4/2019
 
-## 主要功能
+### 主要功能
 
 * 在 Windows 上支持 NNI 的 OpenPAI 和远程模式 
   * NNI 可在 Windows 上使用 OpenPAI 模式
@@ -17,13 +17,13 @@
   * 提供新命令 `nnictl trial codegen` 来调试 NAS 代码生成部分
   * 提供 NAS 编程接口教程，NAS 在 MNIST 上的示例，用于 NAS 的可定制的随机 Tuner
 * 支持在恢复 Experiment 时，同时恢复 Tuner 和 Advisor 的状态
-    * 在恢复 Experiment 时，Tuner 和 Advisor 会导入已完成的 Trial 的数据。
+* 在恢复 Experiment 时，Tuner 和 Advisor 会导入已完成的 Trial 的数据。
 * Web 界面 
   * 改进拷贝 Trial 参数的设计
   * 在 hyper-parameter 图中支持 'randint' 类型
   * 使用 ComponentUpdate 来避免不必要的刷新
 
-## Bug 修复和其它更新
+### Bug 修复和其它更新
 
 * 修复 `nnictl update` 不一致的命令行风格
 * SMAC Tuner 支持导入数据
@@ -66,7 +66,7 @@
 
 ### 主要功能
 
-* [版本检查](https://github.com/Microsoft/nni/blob/master/docs/en_US/PaiMode.md#version-check) 
+* [版本检查](https://github.com/Microsoft/nni/blob/master/docs/zh_CN/PaiMode.md#version-check) 
   * 检查 nniManager 和 trialKeeper 的版本是否一致
 * [提前终止的任务也可返回最终指标](https://github.com/Microsoft/nni/issues/776) 
   * 如果 includeIntermediateResults 为 true，最后一个 Assessor 的中间结果会被发送给 Tuner 作为最终结果。 includeIntermediateResults 的默认值为 false。
@@ -175,7 +175,7 @@
 * 为指标数值图提供自动缩放的数轴
 * 改进 Annotation，支持在搜索空间中显示实际的选项
 
-### 新样例
+### 新示例
 
 * [FashionMnist](https://github.com/Microsoft/nni/tree/master/examples/trials/network_morphism)，使用 network morphism Tuner
 * 使用 PyTorch 的[分布式 MNIST 样例](https://github.com/Microsoft/nni/tree/master/examples/trials/mnist-distributed-pytorch)
@@ -246,7 +246,7 @@
 
 * **Batch Tuner（批处理调参器）** 会执行所有超参组合，可被用来批量提交 Trial 任务。
 
-### 新样例
+### 新示例
 
 * 公开的 NNI Docker 映像：
   

docs/zh_CN/SearchSpaceSpec.md

@@ -91,6 +91,7 @@
 |  Grid Search Tuner  | ✓ |          |          | ✓ |            |  ✓   |          |          |           |            |
 |  Hyperband Advisor  | ✓ | ✓ | ✓ | ✓ |  ✓  |  ✓   | ✓ | ✓ | ✓  |  ✓  |
 |     Metis Tuner     | ✓ | ✓ | ✓ | ✓ |            |             |          |          |           |            |
+|      GP Tuner       | ✓ | ✓ | ✓ | ✓ |  ✓  |  ✓   |          |          |           |            |
 
 已知的局限：
 

docs/zh_CN/SklearnExamples.md

 # NNI 中使用 scikit-learn
 
-[scikit-learn](https://github.com/scikit-learn/scikit-learn) (sklearn) 是数据挖掘和分析的流行工具。 它支持多种机器学习模型，如线性回归，逻辑回归，决策树，支持向量机等。 提高 scikit-learn 的效率是非常有价值的课题。  
-NNI 支持多种调优算法，可以为 scikit-learn 搜索最佳的模型和超参，并支持本机、远程服务器组、云等各种环境。
+[scikit-learn](https://github.com/scikit-learn/scikit-learn) (sklearn) 是流行的数据挖掘和分析工具。 它支持多种机器学习模型，如线性回归，逻辑回归，决策树，支持向量机等。 如何更高效的使用 scikit-learn，是一个很有价值的话题。
+
+NNI 支持多种调优算法来为 scikit-learn 搜索最好的模型和超参，并支持本机、远程服务器和云服务等多种环境。
 
 ## 1. 如何运行此样例
 
-安装 NNI 包，并使用命令行工具 `nnictl` 来启动 Experiment。 有关安装和环境准备的内容，参考[这里](QuickStart.md)。 安装完 NNI 后，进入相应的目录，输入下列命令即可启动 Experiment：
+安装 NNI 包，并使用命令行工具 `nnictl` 来启动 Experiment。 有关安装和环境准备的内容，参考[这里](QuickStart.md)。
+
+安装完 NNI 后，进入相应的目录，输入下列命令即可启动 Experiment：
 
 ```bash
 nnictl create --config ./config.yml
@@ -15,16 +18,19 @@ nnictl create --config ./config.yml
 
 ### 2.1 分类
 
-此样例使用了数字数据集，由 1797 张 8x8 的图片组成，每张图片都是一个手写数字。目标是将这些图片分到 10 个类别中。  
-在此样例中，使用了 SVC 作为模型，并选择了一些参数，包括 `"C", "keral", "degree", "gamma" 和 "coef0"`。 关于这些参数的更多信息，可参考[这里](https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html)。
+示例使用了数字数据集，它是由 1797 个 8x8 的图片组成，每个图片都是一个手写数字，目标是将图片分为 10 类。
+
+在这个示例中，使用 SVC 作为模型，并为此模型选择一些参数，包括 `"C", "keral", "degree", "gamma" 和 "coef0"`。 关于这些参数的更多信息，可参考[这里](https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html)。
 
 ### 2.2 回归
 
-此样例使用了波士顿房价数据，数据集由波士顿各地区房价所组成，还包括了房屋的周边信息，例如：犯罪率 (CRIM)，非零售业务的面积 (INDUS)，房主年龄 (AGE) 等等。这些信息可用来预测波士顿的房价。 本例中，尝试了不同的回归模型，包括 `"LinearRegression", "SVR", "KNeighborsRegressor", "DecisionTreeRegressor"` 和一些参数，如 `"svr_kernel", "knr_weights"`。 关于这些模型算法和参数的更多信息，可参考[这里](https://scikit-learn.org/stable/supervised_learning.html#supervised-learning)。
+此样例使用了波士顿房价数据，数据集由波士顿各地区房价所组成，还包括了房屋的周边信息，例如：犯罪率 (CRIM)，非零售业务的面积 (INDUS)，房主年龄 (AGE) 等等。这些信息可用来预测波士顿的房价。
+
+本例中，尝试了不同的回归模型，包括 `"LinearRegression", "SVR", "KNeighborsRegressor", "DecisionTreeRegressor"` 和一些参数，如 `"svr_kernel", "knr_weights"`。 关于这些模型算法和参数的更多信息，可参考[这里](https://scikit-learn.org/stable/supervised_learning.html#supervised-learning)。
 
-## 3. 如何在 NNI 中使用 sklearn
+## 3. 如何在 NNI 中使用 scikit-learn
 
-只需要如下几步，即可在 sklearn 代码中使用 NNI。
+只需要如下几步，即可在 scikit-learn 代码中使用 NNI。
 
 * **第一步**
     
@@ -49,7 +55,10 @@ nnictl create --config ./config.yml
     在 Python 代码中，可以将这些值作为一个 dict，读取到 Python 代码中。
 
 * **第二步**
-    在代码最前面，加上 `import nni` 来导入 NNI 包。 首先，要使用 `nni.get_next_parameter()` 函数从 NNI 中获取参数。 然后在代码中使用这些参数。 例如，如果定义了如下的 search_space.json：
+    
+    在代码最前面，加上 `import nni` 来导入 NNI 包。
+    
+    首先，要使用 `nni.get_next_parameter()` 函数从 NNI 中获取参数。 然后在代码中使用这些参数。 例如，如果定义了如下的 search_space.json：
     
     ```json
     {
@@ -76,5 +85,7 @@ nnictl create --config ./config.yml
     就可以使用这些变量来编写 scikit-learn 的代码。
 
 * **第三步**
-    完成训练后，可以得到模型分数，如：精度，召回率，均方差等等。 NNI 会将分数发送给 Tuner 算法，并据此生成下一组参数，所以需要将分数返回给 NNI。NNI 会开始下一个 Trial 任务。  
-    只需要在训练结束后调用 `nni.report_final_result(score)`，就可以将分数传给 NNI。 如果训练过程中有中间分数，也可以使用 `nni.report_intemediate_result(score)` 返回给 NNI。 注意， 可以不返回中间分数，但必须返回最终的分数。
+    
+    完成训练后，可以得到模型分数，如：精度，召回率，均方差等等。 NNI 需要将分数传入 Tuner 算法，并生成下一组参数，将结果回传给 NNI，并开始下一个 Trial 任务。
\ No newline at end of file
+    
+    在运行完 scikit-learn 代码后，只需要使用 `nni.report_final_result(score)` 来与 NNI 通信即可。 或者在每一步中都有多个分值，可使用 `nni.report_intemediate_result(score)` 来将它们回传给 NNI。 注意， 可以不返回中间分数，但必须返回最终的分数。
\ No newline at end of file

docs/zh_CN/Trials.md

@@ -35,7 +35,9 @@
 RECEIVED_PARAMS = nni.get_next_parameter()
 ```
 
-`RECEIVED_PARAMS` 是一个对象，如： `{"conv_size": 2, "hidden_size": 124, "learning_rate": 0.0307, "dropout_rate": 0.2029}`.
+`RECEIVED_PARAMS` 是一个对象，如：
+
+`{"conv_size": 2, "hidden_size": 124, "learning_rate": 0.0307, "dropout_rate": 0.2029}`.
 
 * 定期返回指标数据（可选）
 
@@ -138,7 +140,7 @@ Annotation 的语法和用法等，参考 [Annotation](AnnotationSpec.md)。
 
 如果使用了 Annotation 方法，转换后的 Trial 代码会存放在另一个临时目录中。 可以在 `run.sh` 文件中的 `NNI_OUTPUT_DIR` 变量找到此目录。 文件中的第二行（即：`cd`）会切换到代码所在的实际路径。 参考 `run.sh` 文件样例：
 
-```shell
+```bash
 #!/bin/bash
 cd /tmp/user_name/nni/annotation/tmpzj0h72x6 #This is the actual directory
 export NNI_PLATFORM=local

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/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

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/tuners/ga_customer_tuner/README_zh_CN.md

 # 如何使用 ga_customer_tuner?
 
-此定制的 Tuner 仅适用于代码 "~/nni/examples/trials/ga_squad"， 输入 `cd ~/nni/examples/trials/ga_squad` 查看 readme.md 来了解 ga_squad 的更多信息。
+此定制的 Tuner 仅适用于代码 "~/nni/examples/trials/ga_squad"，输入 `cd ~/nni/examples/trials/ga_squad` 查看 readme.md 来了解 ga_squad 的更多信息。
 
 # 配置
 

examples/tuners/weight_sharing/ga_customer_tuner/README_zh_CN.md

 # 如何使用 ga_customer_tuner?
 
-此定制的 Tuner 仅适用于代码 "~/nni/examples/trials/ga_squad"， 输入 `cd ~/nni/examples/trials/ga_squad` 查看 readme.md 来了解 ga_squad 的更多信息。
+此定制的 Tuner 仅适用于代码 "~/nni/examples/trials/ga_squad"，输入 `cd ~/nni/examples/trials/ga_squad` 查看 readme.md 来了解 ga_squad 的更多信息。
 
 # 配置