Visualization.rst

NAS 可视化（测试版）

内置 Trainer 支持

当前，仅 ENAS 和 DARTS 支持可视化。 ENAS 和 DARTS 的示例演示了如何在代码中启用可视化，其需要在 trainer.train() 前添加代码。

trainer.enable_visualization()

此代码会在当前目录中创建新目录 logs/<current_time_stamp>，并创建两个新文件 graph.json 和 log。

不必等到程序运行完后，再启动 NAS 界面，但需要确保这两个文件产生后，再启动。 启动 NAS 界面：

nnictl webui nas --logdir logs/<current_time_stamp> --port <port>

可视化定制的 Trainer

如果要定制 Trainer，参考 文档。

需要对已有 Trainer 代码做两处改动来支持可视化：

1. 在训练前导出图：

vis_graph = self.mutator.graph(inputs)
# `inputs` is a dummy input to your model. For example, torch.randn((1, 3, 32, 32)).cuda()
# If your model has multiple inputs, it should be a tuple.
with open("/path/to/your/logdir/graph.json", "w") as f:
    json.dump(vis_graph, f)

1. 记录选择的 Choice。 可以每个 Epoch，批处理或任何频率下做次记录。

def __init__(self):
    # ...
    self.status_writer = open("/path/to/your/logdir/log", "w")  # create a writer

def train(self):
    # ...
    print(json.dumps(self.mutator.status()), file=self.status_writer, flush=True)  # dump a record of status

如果继承 Trainer，实现定制的 Trainer。 NNI 提供了 enable_visualization() 和 _write_graph_status() 来简化可视化。 只需要在开始前调用 trainer.enable_visualization()，并在每次要记录日志前调用 trainer._write_graph_status()。 注意，这两个 API 还处于试用阶段，未来可能会有所更改。

最后，启动 NAS 界面：

nnictl webui nas --logdir /path/to/your/logdir

NAS 界面预览

局限性

• NAS 可视化仅适用于 PyTorch >= 1.4。 PyTorch 1.3.1 上无法使用。
• 其依赖于 PyTorch 对 tensorboard 导出图的支持，即依赖于 torch.jit。 如果模型不支持 jit，也无法使用。
• 在加载中等大小，但有许多 Choice 的模型时（如 DARTS 的搜索空间），会遇到性能问题。

反馈

NAS UI 目前是测试版。 欢迎提交反馈。 这里 列出了 NAS UI 接下来的工作。 欢迎直接评论，如果有其它建议，也可以 提交新问题。