AutoML使用限制及規(guī)格
AutoML的使用限制以及規(guī)格，包括當(dāng)前支持的地域，支持的搜索算法TPE、GridSearch（網(wǎng)絡(luò)搜索）、Random（隨機(jī)搜索）、Evolution（演化算法）、GP（貝葉斯優(yōu)化）、PBT（異步優(yōu)化算法），以及對(duì)應(yīng)的應(yīng)用場(chǎng)景。
支持地域（region）
當(dāng)前AutoML支持在下列地域使用，如果您需要使用AutoML，需要在控制臺(tái)切換地域至下面中的一個(gè)：
華東1（杭州）、華東2（上海）、華北2（北京）、華南1（深圳）、中國(guó)（香港）。
您可以在PAI控制臺(tái)頁面上方的下拉列表中快速切換相近或者需要的地域。
支持的搜索算法
當(dāng)前AutoML產(chǎn)品在超參搜索中，支持搜索算法有以下幾種，下面向您介紹各個(gè)搜索算法，以及典型適用場(chǎng)景。
TPE：Tree-structured Parzen Estimator，是一個(gè)無需附加依賴的輕量級(jí)算法，可以支持所有的搜索空間類型，為HPO中使用的默認(rèn)算法。 它可以處理復(fù)雜、非線性、高緯度且計(jì)算代價(jià)較大的問題。TPE的缺點(diǎn)是無法發(fā)現(xiàn)不同參數(shù)之間的聯(lián)系。參考文獻(xiàn)：Algorithms for Hyper-Parameter Optimization
GridSearch：網(wǎng)格搜索算法，將所搜空間均勻分成網(wǎng)格，然后遍歷所有可能的組合來確定最佳組合。當(dāng)搜索空間較小時(shí)，可以使用該方法，找到絕對(duì)最優(yōu)組合。
Random：純隨機(jī)生成超參組合的方法，與網(wǎng)絡(luò)搜索原理相似，將超參數(shù)搜索空間分成網(wǎng)格，但隨機(jī)搜索為每個(gè)trial會(huì)隨機(jī)選擇一組超參數(shù)。對(duì)于非線性、高維且計(jì)算代價(jià)較大的問題，它作為一個(gè)高效的初篩方法，縮小網(wǎng)格搜索的范圍。
Evolution：演化算法的思想來源于 Large-Scale Evolution of Image Classifiers。算法基于所搜空間初始化，對(duì)于每一代迭代，選擇較優(yōu)的多個(gè)參數(shù)，并對(duì)其進(jìn)行個(gè)別參數(shù)的突變（如，修改某個(gè)超參，增加或減少網(wǎng)絡(luò)層數(shù)等）來獲取下一組備選超參。演化算法需要進(jìn)行多次trial，但是算法邏輯簡(jiǎn)單且容易擴(kuò)展到更多的新特征之上。
GP：是一個(gè)使用高斯過程（Gaussian Process）計(jì)算loss的貝葉斯優(yōu)化方法。貝葉斯優(yōu)化使用trial所得指標(biāo)的后驗(yàn)分布，利用高斯過程優(yōu)化目標(biāo)。隨著觀察數(shù)據(jù)量的增加，后驗(yàn)分布也將越來越準(zhǔn)確，算法將更確定特定搜索空間是否有效。
PBT：Population Based Training，算法來自于文獻(xiàn) Population Based Training of Neural Networks。這是一個(gè)固定計(jì)算資源的異步優(yōu)化算法，通過優(yōu)化固定數(shù)量模型及超參來提高性能。PBT算法通過對(duì)單組超參不停迭代修改發(fā)現(xiàn)獲得最優(yōu)，而非通過全局結(jié)果來尋找單個(gè)最優(yōu)解。