如果要在真实任务上使用 Trainer，还需要更多操作，如分布式训练，低精度训练，周期日志，写入 TensorBoard，保存检查点等等。 如前所述，一些 Trainer 支持了上述某些功能。 有两种方法可往已有的 Trainer 中加入功能：继承已有 Trainer 并重载，或复制已有 Trainer 并修改。
无论哪种方法，都需要实现新的 Trainer。 基本上，除了新的 Mutator 的概念，实现 One-Shot Trainer 与普通的深度学习 Trainer 相同。 因此，有两处会有所不同：
- 初始化
model = Model()
mutator = MyMutator(model)- 训练
for _ in range(epochs):
for x, y in data_loader:
mutator.reset() # 在模型中重置所有 Choice
out = model(x) # 与普通模型相同
loss = criterion(out, y)
loss.backward()
# 以下代码没有不同要展示 Mutator 的用途，需要先了解 One-Shot NAS 的工作原理。 通常 One-Shot NAS 会同时优化模型权重和架构权重。 它会反复的：对架构采样，或由超网络中的几种架构组成，然后像普通深度学习模型一样训练，将训练后的参数更新到超网络中，然后用指标或损失作为信号来指导架构的采样。 Mutator，在这里用作架构采样，通常会是另一个深度学习模型。 因此，可将其看作一个通过定义参数，并使用优化器进行优化的任何模型。 Mutator 是由一个模型来初始化的。 一旦 Mutator 绑定到了某个模型，就不能重新绑定到另一个模型上。
mutator.reset() 是关键步骤。 这一步确定了模型最终的所有 Choice。 重置的结果会一直有效，直到下一次重置来刷新数据。 重置后，模型可看作是普通的模型来进行前向和反向传播。
最后，Mutator 会提供叫做 mutator.export() 的方法来将模型的架构参数作为 dict 导出。 注意，当前 dict 是从 Mutable 键值到选择张量的映射。 为了存储到 JSON，用户需要将张量显式的转换为 Python 的 list。
同时，NNI 提供了工具，能更容易地实现 Trainer。 参考 Trainer 了解详情。
这是为了演示 mutator.reset() 和 mutator.export() 的伪代码。
def reset(self):
self.apply_on_model(self.sample_search())def export(self):
return self.sample_final()重置时，新架构会通过 sample_search() 采样，并应用到模型上。 然后，对模型进行一步或多步的搜索。 导出时，新架构通过 sample_final() 来采样，不对模型做操作。 可用于检查点或导出最终架构。
sample_search() 和 sample_final() 返回值的要求一致：从 Mutable 键值到张量的映射。 张量可以是 BoolTensor （true 表示选择，false 表示没有），或 FloatTensor 将权重应用于每个候选对象。 选定的分支会被计算出来（对于 LayerChoice，模型会被调用；对于 InputChoice，只有权重），并通过 Choice 的剪枝操作来剪枝模型。 这是 Mutator 实现的示例，大多数算法只需要关心前面部分。
class RandomMutator(Mutator):
def __init__(self, model):
super().__init__(model) # 记得调用 super
# 别的操作
def sample_search(self):
result = dict()
for mutable in self.mutables: # 这是用户模型中所有 Mutable 模块
# 共享同样键值的 Mutable 会去重
if isinstance(mutable, LayerChoice):
# 决定此模型会选择 `gen_index`
gen_index = np.random.randint(mutable.length)
result[mutable.key] = torch.tensor([i == gen_index for i in range(mutable.length)],
dtype=torch.bool)
elif isinstance(mutable, InputChoice):
if mutable.n_chosen is None: # n_chosen 是 None，表示选择所有数字
result[mutable.key] = torch.randint(high=2, size=(mutable.n_candidates,)).view(-1).bool()
# 其它
return result
def sample_final(self):
return self.sample_search() # 使用同样的逻辑 其它操作随机 Mutator 的完整示例在这里。
对于高级用法，例如，需要在 LayerChoice 执行的时候操作模型，可继承 BaseMutator，并重载 on_forward_layer_choice 和on_forward_input_choice。这些是 LayerChoice 和 InputChoice 对应的回调实现。 还可使用属性 mutables 来获得模型中所有的 LayerChoice 和 InputChoice。 详细信息，参考这里。
.. tip::
用于调试的随机 Mutator。 使用
.. code-block:: python
mutator = RandomMutator(model)
mutator.reset()
会立刻从搜索空间中选择一个来激活。
在学习编写分布式 NAS Tuner前，应先了解如何写出通用的 Tuner。 阅读自定义 Tuner 的教程。
当调用 "nnictl ss_gen" 时，会生成下面这样的搜索空间文件：
{
"key_name": {
"_type": "layer_choice",
"_value": ["op1_repr", "op2_repr", "op3_repr"]
},
"key_name": {
"_type": "input_choice",
"_value": {
"candidates": ["in1_key", "in2_key", "in3_key"],
"n_chosen": 1
}
}
}这是 Tuner 在 update_search_space 中会收到的搜索空间。 Tuner 需要解析搜索空间，并在 generate_parameters 中生成新的候选。 有效的 "参数" 格式如下：
{
"key_name": {
"_value": "op1_repr",
"_idx": 0
},
"key_name": {
"_value": ["in2_key"],
"_idex": [1]
}
}和普通超参优化 Tuner 类似，通过 generate_parameters 来发送。 参考 SPOS 示例代码。