本文主要简单地介绍Vega的特点以及它与其他AutoML框架的区别，让你对Vega有一个直观的理解。 文章太长不看可以直接降落至最后的总结部分。
huawei-noah/vegagithub.com
1. 现有AutoML框架总结
目前已经出现了很多AutoML开源框架，可以大致分成两类：
- 一类是基于传统机器学习算法，例如 TPOT、Auto-Sklearn、 Hyperopt，H2O 如果你不需要神经网络的话则可以考虑使用这几个框架。
- 另一类则是基于神经网络的AutoML框架，比较流行的有 NNI、 Auto-kears 以及本篇文章要介绍的华为诺亚方舟实验室开源的 Vega 框架。
2. Auto-Keras & NNI
在介绍Vega之前，首先简单介绍一下Auto-Keras和NNI。
- Auto-Keras，看名字也知道它是基于Keras实现的，换句话说它只支持TensorFlow，目前最新版本的要求是Python >= 3.5 and TensorFlow >= 2.3.0，因此如果你常用的框架是Pytorch，这个可能不适合你。
- NNI是微软开发的轻量型AutoML工具包，如下图示，其提供的功能非常丰富，包括自动特征工程、NAS（神经网络架构搜索）、模型压缩、超参数搜索等等，而且还提供了可视化界面方便管理。我本人也用过NNI的NAS模块，易用性非常高。NNI将搜索空间和搜索算法解耦，而且设计了一种统一的接口，可以很方便地实现你的NAS算法，具体可看官方文档介绍：https://nni.readthedocs.io/zh/latest/nas.html
3. Vega
Vega是华为诺亚方舟实验室自研的AutoML算法工具链(https://github.com/huawei-noah/vega)，有如下几个主要特点。
3.1 完备的AutoML能力
Vega涵盖HPO(超参优化, HyperParameter Optimization)、Data-Augmentation、NAS(网络架构搜索， Network Architecture Search)、Model Compression、Fully Train等关键功能，同时这些功能自身都是高度解耦的，可以根据需要进行配置，构造完整的pipeline。
乍看起来，你也许会觉得这个NNI很相似，但是正如前面介绍的，NNI其实是一个轻量型的工具包，也就是说你如果只需要实现某一个具体的功能，例如NAS或者模型压缩，那NNI是一个很好的选择，但是如果你希望将多个功能组合成一个完整的pipeline（如下图示），那么你需要的是Vega。
Vega解决的思路是将每一个功能（如模型压缩和NAS等）都抽象成一个具有统一接口的PipeStep类，通过遍历每个Step实现端到端的Pipeline，具体的实现原理在后续文章中会介绍。
3.2 业界标杆的自研算法
Vega提供了诺亚方舟实验室自研的 业界标杆 算法，并提供 Model Zoo 下载SOTA(State-of-the-art)模型。
3.3 高并发模型训练能力
Vega提供高性能Trainer，加速模型训练和评估。Vega设计了Scheduler模块，可以很方便的管理本地集群部署等任务。
3.4 多Backend支持
Vega支持PyTorch，TensorFlow，MindSpore。虽然NNI也支持多种深度学习框架，但是Vega对不同框架的算子设计了统一接口。而且你可以只需要指定要运行的Backend即可切换至不同的深度学习框架。
3.5 可插拔式
Vega采用可插拔式的配置方法，你可以只需要修改yml文件中的参数就能灵活地切换不同数据集、算法等组件，换句话说你可以基于Vega搭建属于你自己的工具库，因此在处理一个新项目的时候，你可以很方便地复用你之前的工作成果。
3.6 提供多个特色模块
Vega提供了丰富的搜索空间，你可以很方便地自定义你的搜索空间快速验证你的idea。另外Vega还提供了Report模块，该模块可以很方便地管理训练过程中的各种日志等信息，使用起来更加简单顺手。
4. 总结
通过上面介绍我们知道Vega和NNI都是提供了非常丰富的功能的AutoML框架，区别在于NNI定位于轻量型的工具包，所以如果你只想实现NAS算法或者模型压缩，那么你可以使用NNI来验证你的想法。Vega则定位于从Pipeline的角度来解决AutoML问题，因此使用Vega有一定门槛，需要你学习它的设计理念和代码逻辑，但是如果你掌握之后，你会发现Vega的易用性是不输NNI的，本系列文章主要是一起来学习Vega，然后搭建属于你自己的工具库。
