add Chinese translation (#661)

zh_CN/docs/img/overview.svg

+<svg id="图层_1" data-name="图层 1" xmlns="http://www.w3.org/2000/svg" viewBox="0 0 806.55 233.23"><defs><style>.cls-1,.cls-10,.cls-2,.cls-3,.cls-7,.cls-8,.cls-9{fill:none;}.cls-1,.cls-9{stroke:#c1c1c1;}.cls-1{stroke-miterlimit:10;}.cls-2{stroke:#000;}.cls-10,.cls-2,.cls-3,.cls-7,.cls-8,.cls-9{stroke-miterlimit:8;stroke-width:1.53px;}.cls-3{stroke:#662d91;}.cls-4{font-size:18px;fill:#0071bc;font-family:SegoeUI, Segoe UI;}.cls-5{letter-spacing:-0.1em;}.cls-6{font-family:SegoeUIBlack, Segoe UI;}.cls-7,.cls-8{stroke:#505050;}.cls-10,.cls-8,.cls-9{stroke-linecap:square;}.cls-10{stroke:#29abe2;}.cls-11{font-size:16.14px;fill:#a1c057;font-family:SegoeUI-Bold, Segoe UI;font-weight:700;}</style></defs><title>overview</title><path class="cls-1" d="M698.51,57.48a70.71,70.71,0,0,1,15.66,139.67"/><path class="cls-1" d="M104.59,57.48A70.71,70.71,0,0,0,92.83,197.92"/><path class="cls-2" d="M377.34,201.92c0-1-.15-2-.15-3a20.37,20.37,0,0,1,20.27-20.48c1,0,1.84.14,2.69.14"/><path class="cls-2" d="M391.79,218.68a24.59,24.59,0,0,0,5.67.71,20.37,20.37,0,0,0,20.27-20.48,12.59,12.59,0,0,0-.15-2.44"/><path class="cls-2" d="M397.46,215.1l-5.81,3.43,3.54,5.73"/><path class="cls-2" d="M394.48,182.15l5.81-3.44L396.75,173"/><path class="cls-3" d="M414,184h-8.36v8.31H414V184Z"/><path class="cls-3" d="M383,216.1a5.88,5.88,0,1,0-5.81-5.87A5.9,5.9,0,0,0,383,216.1Z"/><line class="cls-1" x1="701.49" y1="57.48" x2="595.78" y2="57.48"/><line class="cls-1" x1="488.78" y1="57.48" x2="296.61" y2="57.48"/><line class="cls-1" x1="210.1" y1="57.48" x2="104.59" y2="57.48"/><text class="cls-4" transform="translate(174.39 103.07)">Command Line <tspan class="cls-5" x="124.94" y="0">T</tspan><tspan x="132.61" y="0">ool</tspan><tspan class="cls-6"><tspan x="45.01" y="23.6">NNICTL</tspan></tspan></text><text class="cls-4" transform="translate(493.22 105.07)">Visualized UI<tspan class="cls-6"><tspan x="3.81" y="23.6">NNI Board</tspan></tspan></text><path class="cls-7" d="M240.73,53.54a12.69,12.69,0,1,1,12.69,12.38,12.55,12.55,0,0,1-12.69-12.38Zm20.42-21.33a23.92,23.92,0,0,0-7.73-1.28c-12.84,0-23.19,10.1-23.19,22.61A22.58,22.58,0,0,0,243.5,74m2.19.85a22.63,22.63,0,0,0,7.73,1.28c12.83,0,23.19-10.1,23.19-22.62a22.48,22.48,0,0,0-1.17-7m-.87-2.42a23.09,23.09,0,0,0-10.79-10.81m-4.09,5.55-1.17,3.27m10.8,5.54L265.23,49m-.14,9.25,4.08,1.56m-8.9,8.82-1.89-3.7m-11.09,3.84,1.61-3.69M238.1,59.8l3.65-1.42M238.1,47.71,241.6,49m7.15-7-1.6-3.12"/><path class="cls-8" d="M567.21,74.12h-46.5V37.28h46.5V74.12m-46.5-27.63h45.74m-27.14,6.15h-12.4V68h12.4V52.64m4.65,0h9.3M544,58.77h9.3M544,64.91h6.2"/><polyline class="cls-1" points="357.3 194.3 361.8 198.62 357.3 202.95"/><polyline class="cls-1" points="625.71 194.3 630.21 198.62 625.71 202.95"/><line class="cls-1" x1="245.91" y1="198.91" x2="176.69" y2="198.91"/><line class="cls-1" x1="361.68" y1="198.91" x2="285.84" y2="198.91"/><line class="cls-1" x1="630.29" y1="198.91" x2="557.62" y2="198.91"/><line class="cls-1" x1="517.67" y1="198.91" x2="430.83" y2="198.91"/><path class="cls-9" d="M265.88,187.49A11.87,11.87,0,1,1,254,199.35a11.86,11.86,0,0,1,11.86-11.86ZM264,205.39l6-6-6-6"/><path class="cls-9" d="M537.65,187.49a11.87,11.87,0,1,1-11.86,11.86,11.86,11.86,0,0,1,11.86-11.86Zm-1.9,17.9,6-6-6-6"/><path class="cls-2" d="M699.21,204.44a11.15,11.15,0,0,0-8.71-17.93,15.84,15.84,0,0,0-15.67-14.39,15.64,15.64,0,0,0-13.34,7.62,17.76,17.76,0,0,0-3-.17,14.45,14.45,0,0,0-14.34,14.56,14.59,14.59,0,0,0,14.34,14.73h11.66"/><path class="cls-10" d="M671.09,214a2.11,2.11,0,0,1,3,0,2.16,2.16,0,0,1,0,3,2.13,2.13,0,0,1-3,0,2.08,2.08,0,0,1,0-3ZM673,200.81a3.3,3.3,0,1,0,4.59,0,3.31,3.31,0,0,0-4.59,0Zm11.58-4.11a5.21,5.21,0,0,0,0,7.39,5.24,5.24,0,1,0,7.41-7.42,5.22,5.22,0,0,0-7.39,0Zm-5.45,14.68a3.48,3.48,0,0,0,4.92,4.93,3.48,3.48,0,0,0-4.92-4.93Zm14-2.23a5.3,5.3,0,0,0-.15,7.51A5.42,5.42,0,0,0,700.6,209a5.3,5.3,0,0,0-7.51.15Zm-1.82-4.41,2.38,3.86m-13.77,2.29-2.69-5m6,4.93,2.64-5.76m-7.39-2.58,4.65-1m-4.77,2.9,13.5,6.57m-17.15-4.54-1.52,7m11.85.37,6.46-.35m-17.37.54,10-10.25m-5.91,10.77-3.59.48"/><polyline class="cls-2" points="153.46 201.47 153.46 175.14 116.73 175.14 116.73 217.65 141.51 217.65"/><line class="cls-2" x1="121.2" y1="180.65" x2="130.57" y2="180.65"/><line class="cls-2" x1="128.24" y1="186.09" x2="141.31" y2="186.09"/><line class="cls-2" x1="134.77" y1="191.45" x2="147.56" y2="191.45"/><line class="cls-2" x1="134.77" y1="196.5" x2="144.38" y2="196.5"/><line class="cls-2" x1="137.41" y1="201.54" x2="128.24" y2="201.54"/><line class="cls-2" x1="128.24" y1="206.34" x2="141.31" y2="206.34"/><line class="cls-2" x1="130.57" y1="211.63" x2="121.2" y2="211.63"/><text class="cls-11" transform="translate(143.02 216.79)">PY</text></svg>

zh_CN/docs/index.rst

+#########################################
+Neural Network Intelligence（NNI）文档
+#########################################
+
+********
+内容
+********
+
+..  toctree::
+    :caption: 目录
+    :maxdepth: 2
+    :titlesonly:
+
+    概述<Overview>
+    入门<QuickStart>
+    教程<Tutorials>
+    样例<Examples>
+    参考<Reference>
+    常见问答<FAQ>
+    贡献<Contribution>
+    版本日志<RELEASE>
\ No newline at end of file

zh_CN/docs/mnist_examples.md

+# MNIST 样例
+
+在深度学习中，用 CNN 来分类 MNIST 数据，就像介绍编程语言中的 `hello world` 样例。 因此，NNI 将 MNIST 作为样例来介绍功能。 样例如下：
+
+- [MNIST 中使用 NNI API](#mnist)
+- [MNIST 中使用 NNI 标记（annotation）](#mnist-annotation)
+- [在 Keras 中使用 MNIST](#mnist-keras)
+- [MNIST -- 用批处理调参器来调优](#mnist-batch)
+- [MNIST -- 用 hyperband 调优](#mnist-hyperband)
+- [MNIST -- 用嵌套搜索空间调优](#mnist-nested)
+- [用 Kubeflow 运行分布式的 MNIST (tensorflow)](#mnist-kubeflow-tf)
+- [用 Kubeflow 运行分布式的 MNIST (PyTorch)](#mnist-kubeflow-pytorch)
+
+<a name="mnist"></a>
+**MNIST 中使用 NNI API**
+
+这是个简单的卷积网络，有两个卷积层，两个池化层和一个全连接层。 调优的超参包括 dropout 比率，卷积层大小，隐藏层（全连接层）大小等等。 它能用 NNI 中大部分内置的调参器来调优，如 TPE，SMAC，Random。 样例的 YAML 文件也启用了评估器来提前终止一些中间结果不好的尝试。
+
+`代码目录: examples/trials/mnist/`
+
+<a name="mnist-annotation"></a>
+**MNIST 中使用 NNI 标记（annotation）**
+
+此样例与上例类似，上例使用的是 NNI API 来指定搜索空间并返回结果，而此例使用的是 NNI 标记。
+
+`代码目录: examples/trials/mnist-annotation/`
+
+<a name="mnist-keras"></a>
+**在 Keras 中使用 MNIST**
+
+此样例由 Keras 实现。 这也是 MNIST 数据集的网络，包括两个卷积层，一个池化层和两个全连接层。
+
+`代码目录: examples/trials/mnist-keras/`
+
+<a name="mnist-batch"></a>
+**MNIST -- 用批处理调参器来调优**
+
+此样例演示了如何使用批处理调参器。 只需要在搜索空间文件中列出所有要尝试的配置， NNI 会逐个尝试。
+
+`代码目录: examples/trials/mnist-batch-tune-keras/`
+
+<a name="mnist-hyperband"></a>
+**MNIST -- 用 hyperband 调优**
+
+此样例演示了如何使用 hyperband 来调优模型。 在尝试收到的配置中，有个主键叫做 `STEPS`，尝试要用它来控制运行多长时间（例如，控制迭代的次数）。
+
+`代码目录: examples/trials/mnist-hyperband/`
+
+<a name="mnist-nested"></a>
+**MNIST -- 用嵌套搜索空间调优**
+
+此样例演示了 NNI 如何支持嵌套的搜索空间。 搜索空间文件示了如何定义嵌套的搜索空间。
+
+`代码目录: examples/trials/mnist-cascading-search-space/`
+
+<a name="mnist-kubeflow-tf"></a>
+**用 Kubeflow 运行分布式的 MNIST (tensorflow)**
+
+此样例展示了如何通过 NNI 来在 Kubeflow 上运行分布式训练。 只需要简单的提供分布式训练代码，并在配置文件中指定 kubeflow 模式。 例如，运行 ps 和 worker 的命令行，以及各自需要的资源。 此样例使用了 Tensorflow 来实现，因而，需要使用 Kubeflow 的 tf-operator。
+
+`代码目录: examples/trials/mnist-distributed/`
+
+<a name="mnist-kubeflow-pytorch"></a>
+**用 Kubeflow 运行分布式的 MNIST (PyTorch)**
+
+与前面的样例类似，不同之处是此样例是 Pytorch 实现的，因而需要使用 Kubeflow 的 pytorch-operator。
+
+`代码目录: examples/trials/mnist-distributed-pytorch/`
\ No newline at end of file

zh_CN/docs/multiPhase.md

+## 创建多阶段的 Experiment
+
+通常情况下，每个 Trial 作业只从 Tuner 获得一组配置（如超参），然后运行 Experiment。也就是说，通过这组超参来训练模型，并返回结果给 Tuner。 有时候，可能需要在一个 Trial 作业中训练多个模型，并在它们之间共享信息，或者通过创建更少的 Trial 任务来节省资源。例如：
+
+1. 在一个 Trial 作业中依次训练多个模型。这样，后面的模型可以利用先前模型的权重和其它信息，并可以使用不同的超参组合。
+2. 在有限的资源上训练大量的模型，将多个模型放到一个 Trial 作业中训练，能够节约系统创建 Trial 作业的时间。
+3. 还有的情况，希望在一个 Trial 任务中训练多个需要不同超参的模型。注意，如果为一个 Trial 作业分配多个 GPU，并且会并发训练模型，需要在代码中正确分配 GPU 资源。
+
+在上述情况中，可利用 NNI 的多阶段 Experiment 来在同一个 Trial 任务中训练具有不同超参的多个模型。
+
+多阶段 Experiment，是指 Trial 作业会从 Tuner 请求多次超参，并多次返回最终结果。
+
+参考以下步骤来使用多阶段 Experiment：
+
+1. 实现 nni.multi_phase.MultiPhaseTuner。 例如，[ENAS tuner](https://github.com/countif/enas_nni/blob/master/nni/examples/tuners/enas/nni_controller_ptb.py) 就是一个实现了 nni.multi_phase.MultiPhaseTuner 的 Tuner。 在实现多阶段 Tuner 时，可能要用 generate_parameters 中的 trial_job_id 参数来为每个 Trial 作业生成超参。
+
+2. 设置 `multiPhase` 的值为 `true`，并将第一步中实现的 Tuner 作为自定义 Tuner 进行配置，例如：
+    
+    ```yaml
+    ...
+    multiPhase: true
+    tuner:
+      codeDir: tuners/enas
+      classFileName: nni_controller_ptb.py
+      className: ENASTuner
+      classArgs:
+        say_hello: "hello"
+    ...
+    ```
+
+3. 根据需要，在 Trial 代码中可多次调用 nni.get_next_parameter() API，例如：
+    
+    ```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()
+        # ...
+    ```
\ No newline at end of file

zh_CN/docs/requirements.txt

+sphinx==1.8.3
+sphinx-argparse==0.2.5
+sphinx-markdown-tables==0.0.9
+sphinx-rtd-theme==0.4.2
+sphinxcontrib-websupport==1.1.0
+recommonmark==0.5.0
+nni==0.5
\ No newline at end of file