本文將說明 Vertex AI 類神經架構搜尋用戶端程式庫。
神經架構搜尋用戶端 (位於 vertex_nas_cli.py 中) 會包裝工作管理 API，並協助進行神經架構搜尋開發作業。提供下列子命令：
vertex_nas_cli.py build：建構神經架構搜尋容器，並推送至 Artifact Registry。vertex_nas_cli.py run_latency_calculator_local：針對神經架構搜尋第 1 階段搜尋工作，在本機執行延遲時間計算器。vertex_nas_cli.py search_in_local：在本機上使用隨機取樣的架構，執行神經架構搜尋工作。vertex_nas_cli.py search：在 Google Cloud上執行神經架構搜尋作業，並進行第 1 階段搜尋和第 2 階段訓練。vertex_nas_cli.py search_resume：在 Google Cloud上繼續執行先前的神經架構搜尋工作。vertex_nas_cli.py list_trials：列出特定工作專案的神經架構搜尋測試。vertex_nas_cli.py train：在 Google Cloud中訓練搜尋的模型架構 (試用)。
建構
執行下列指令，查看 vertex_nas_cli.py build 支援的引數清單：
python3 vertex_nas_cli.py build -h
如果指定 --trainer_docker_id，系統會從 --trainer_docker_file 標記指定的 Docker 檔案建構訓練器 Docker。Docker 會使用完整的 URI gcr.io/project_id/trainer_docker_id 建構，並推送至 Artifact Registry。
如果指定 --latency_calculator_docker_id，系統會根據標記 --latency_calculator_docker_file 指定的 Docker 檔案，建構延遲計算器 Docker。Docker 會使用完整 URI gcr.io/project_id/latency_calculator_docker_id 建構，並推送至 Artifact Registry。
您也可以使用 bazel 等其他工具建構訓練器，並搭配神經網路架構搜尋服務使用，而非使用 Dockerfile 建構。
在本機執行延遲計算機
執行下列指令，查看 vertex_nas_cli.py run_latency_calculator_local 支援的引數清單：
python3 vertex_nas_cli.py run_latency_calculator_local -h
搜尋區域資訊
執行下列指令，查看 vertex_nas_cli.py search_in_local 支援的引數清單：
python3 vertex_nas_cli.py search_in_local -h
您需要指定 --search_space_module 或 --prebuilt_search_space，讓 vertex_nas_cli.py 在內部產生要使用的隨機模型架構。
這個指令會在本機上執行 Docker gcr.io/project_id/trainer_docker_id:latest，並使用隨機取樣的架構。
您可以傳遞旗標，讓容器在 --search_docker_flags 之後使用。例如，您可以將 --training_data_path 和 validation_data_path 傳遞至容器：
python3 vertex_nas_cli.py search_in_local \
--project_id=${PROJECT_ID} \
--trainer_docker_id=${TRAINER_DOCKER_ID} \
--prebuilt_search_space=spinenet \
--use_prebuilt_trainer=True \
--local_output_dir=${JOB_DIR} \
--search_docker_flags \
training_data_path=/test_data/test-coco.tfrecord \
validation_data_path=/test_data/test-coco.tfrecord \
model=retinanet
搜尋
執行下列指令，查看 vertex_nas_cli.py search 支援的引數清單：
python3 vertex_nas_cli.py search -h
您必須指定 --search_space_module 或 --prebuilt_search_space，讓 vertex_nas_cli.py 在內部建立 search_space_spec。
您可以使用 --accelerator_type 指定執行神經架構搜尋工作的機器。如需更多資訊，或想依據自身需求自訂 (例如使用更多 GPU)，請參閱 add_machine_configurations。
使用前置詞為 train_ 的標記，設定第 2 階段訓練相關參數。
搜尋履歷
執行下列指令，查看 vertex_nas_cli.py search_resume 支援的引數清單：
python3 vertex_nas_cli.py search_resume -h
您可以傳遞 previous_nas_job_id 和選用的 previous_latency_job_id，藉此繼續執行先前執行的搜尋作業。只有在先前的搜尋工作涉及 Google Cloud 延遲工作時，才需要使用 previous_latency_job_id 旗標。如果您使用的是內部延遲計算器，而非 Google Cloud 延遲作業，則必須再次單獨執行該內部延遲計算器作業。先前的搜尋工作本身不應是繼續工作。搜尋繼續執行工作適用的地區應與先前的搜尋工作相同。search_resume 指令的範例如下所示：
python3 vertex_nas_cli.py search_resume \
--project_id=${PROJECT} \
--region=${REGION} \
--job_name="${JOB_NAME}" \
--previous_nas_job_id=${previous_nas_job_id} \
--previous_latency_job_id=${previous_latency_job_id} \
--root_output_dir=${GCS_ROOT_DIR} \
--max_nas_trial=2 \
--max_parallel_nas_trial=2 \
--max_failed_nas_trial=2
可列出試用版
執行下列指令，查看 vertex_nas_cli.py list_trials 支援的引數清單：
python3 vertex_nas_cli.py list_trials -h
訓練
執行下列指令，查看 vertex_nas_cli.py train 支援的引數清單：
python3 vertex_nas_cli.py train -h
Proxy-task variance measurement
執行下列指令，查看 vertex_nas_cli.py measure_proxy_task_variance 支援的引數清單：
python3 vertex_nas_cli.py measure_proxy_task_variance -h
Proxy-task 模型選取
執行下列指令，查看 vertex_nas_cli.py select_proxy_task_models 支援的引數清單：
python3 vertex_nas_cli.py select_proxy_task_models -h
Proxy-task search
執行下列指令，查看 vertex_nas_cli.py search_proxy_task 支援的引數清單：
python3 vertex_nas_cli.py search_proxy_task -h