NNI 训练平台让用户专注于 AutoML 任务，不需要关心 Trial 实际运行的计算基础架构平台。 当从一个集群迁移到另一个集群时 (如，从本机迁移到 Kubeflow)，用户只需要调整几项配置，能很容易的扩展计算资源。
用户可以使用 NNI 提供的训练平台来跑 trial, 训练平台有：local machine， remote machines以及集群类的 PAI，Kubeflow，AdaptDL， FrameworkController， DLTS 和 AML。 这些都是内置的训练平台。
如果需要在计算资源上使用 NNI，可以根据相关接口，轻松构建对其它训练平台的支持。 详情请参考 NNI 中如何实现训练平台 。
在 Experiment 的 YAML 配置文件中选择并配置好训练平台。 参考相应训练平台的文档来了解如何配置。 同时， Experiment 文档 提供了更多详细信息。
然后，需要准备代码目录，将路径填入配置文件的 codeDir 字段。 注意，非本机模式下，代码目录会在 Experiment 运行前上传到远程或集群中。 因此，NNI 将文件数量限制到 2000，总大小限制为 300 MB。 如果 codeDir 中包含了过多的文件，可添加 .nniignore 文件来排除部分，与 .gitignore 文件用法类似。 写好这个文件请参考 :githublink:`示例 <examples/trials/mnist-tfv1/.nniignore>` 和 git 文档。
如果用户需要在 Experiment 使用大文件（如，大规模的数据集），并且不想使用本机模式，可以：1) 在 Trial command 字段中添加命令，每次 Trial 运行前下载数据；或 2) 使用工作节点可访问的共享存储。 通常情况下，训练平台都会有共享存储。 参考每个训练平台的文档，了解详情。
| 训练平台 | 简介 |
|---|---|
| Local | NNI 支持在本机运行实验，称为 local 模式。 local 模式表示 NNI 会在运行 NNI Manager 进程计算机上运行 Trial 任务，支持 GPU 调度功能。 |
| Remote | NNI 支持通过 SSH 通道在多台计算机上运行 Experiment，称为 remote 模式。 NNI 需要这些计算机的访问权限，并假定已配置好了深度学习训练环境。 NNI 将在远程计算机上中提交 Trial 任务，并根据 GPU 资源调度 Trial 任务。 |
| PAI | NNI 支持在 OpenPAI (aka PAI) 上运行 Experiment，即 pai 模式。 在使用 NNI 的 pai 模式前, 需要有 OpenPAI 群集的账户。 如果没有 OpenPAI 账户，参考 这里 来进行部署。 在 pai 模式中，会在 Docker 创建的容器中运行 Trial 程序。 |
| Kubeflow | NNI 支持在 Kubeflow 上运行，称为 kubeflow 模式。 在开始使用 NNI 的 Kubeflow 模式前，需要有一个 Kubernetes 集群，可以是私有部署的，或者是 Azure Kubernetes Service(AKS)，并需要一台配置好 kubeconfig 的 Ubuntu 计算机连接到此 Kubernetes 集群。 如果不熟悉 Kubernetes，可先浏览 这里 。 在 kubeflow 模式下，每个 Trial 程序会在 Kubernetes 集群中作为一个 Kubeflow 作业来运行。 |
| AdaptDL | NNI 支持在 AdaptDL 上运行，称为 AdaptDL 模式。 在开始使用 NNI kubeflow 模式之前，应该具有 Kubernetes 集群。 |
| FrameworkController | NNI 支持使用 FrameworkController，来运行 Experiment，称之为 frameworkcontroller 模式。 FrameworkController 构建于 Kubernetes 上，用于编排各种应用。这样，可以不用为某个深度学习框架安装 Kubeflow 的 tf-operator 或 pytorch-operator 等。 而直接用 FrameworkController 作为 NNI Experiment 的训练平台。 |
| DLTS | NNI 支持在 DLTS 上运行 Experiment，这是一个由微软开源的工具包。 |
| AML | NNI 支持在 AML 上运行 Experiment，称为 aml 模式。 |
根据 概述 中展示的架构，训练平台会做三件事：1) 启动 Trial; 2) 收集指标，并与 NNI 核心（NNI 管理器）通信；3) 监控 Trial 任务状态。 为了展示训练平台的详细工作原理，下面介绍了训练平台从最开始到第一个 Trial 运行成功的过程。
步骤 1. 验证配置，并准备训练平台。 训练平台会首先检查用户配置是否正确（例如，身份验证是否有错）。 然后，训练平台会为 Experiment 做准备，创建训练平台可访问的代码目录（ codeDir ）。
Note
不同的训练平台会有不同的方法来处理 codeDir。 例如，本机训练平台会直接在 codeDir 中运行 Trial。 远程训练平台会将 codeDir 打包成 zip 文件，并上传到每台机器中。 基于 Kubernetes 的训练平台会将 codeDir 复制到共享存储上，此存储可以由训练平台提供，或者用户在配置文件中指定。
步骤 2. 提交第一个 Trial。 要初始化 Trial，通常（在不重用环境的情况下），NNI 会复制一些文件（包括参数配置，启动脚本等）到训练平台中。 然后，NNI 会通过子进程、SSH、RESTful API 等方式启动 Trial。
Warning
Trial 当前目录的内容与 codeDir 会完全一样，但可能是完全不同的路径（甚至不同的计算机）。本机模式是唯一一个所有 Trial 都使用同一个 codeDir 的训练平台。 其它训练平台，会将步骤 1 中准备好的 codeDir，从共享目录复制到每个 Trial 自己独立的工作目录下。 强烈建议不要依赖于本机模式下的共享行为，这会让 Experiment 很难扩展到其它训练平台上。
步骤 3. 收集 metrics。 NNI 监视记录 trial 状态，更新 trial 的状态（例如，从 WAITING to RUNNING，从 RUNNING 到 SUCCEEDED），并收集 metrics 。 当前，大部分训练平台都实现为 "主动" 模式，即，训练平台会调用 NNI 管理器上的 RESTful API 来更新指标。 注意，这也需要运行 NNI 管理器的计算机能被工作节点访问到。