# Multi-Objective NAS with Ax

- 发布方：PyTorch Tutorials（PyTorch 官方）；作者：David Eriksson、Max Balandat、Adaptive Experimentation team at Meta
- 形式：实践教程 · en
- 原始资源：[https://docs.pytorch.org/tutorials/intermediate/ax\_multiobjective\_nas\_tutorial.html](<https://docs.pytorch.org/tutorials/intermediate/ax_multiobjective_nas_tutorial.html>)
- 本站页面：[https://oplearnx.com/resources/res\_wv5qz7s357pk](<https://oplearnx.com/resources/res_wv5qz7s357pk>)
- 学习主题：人工智能 / 机器学习；统计学 / 优化方法；人工智能 / 机器学习 / 监督学习
- 内容状态：状态待核验
- 原始发布时间：未知（待核验）
- 本站首次收录：2026-10-30 00:02

## 能学到什么

掌握用 Ax 在 MNIST 上对一个简单网络做多目标（验证准确率 vs 模型参数量）神经架构搜索的端到端流程。

- 说明多目标 NAS 中准确率与模型大小、延迟等目标之间的权衡
- 用 TorchX 把 PyTorch Lightning 训练任务封装成 AppDef 并配置 Runner
- 用 Ax 定义包含范围参数与有序选择参数（如 2 的幂批大小）的 SearchSpace
- 基于 TensorBoard 日志定义准确率与参数量两个 Metric 并设置优化方向
- 配置 MultiObjectiveOptimizationConfig 与目标阈值约束（准确率≥0.94、参数量≤80000）
- 创建 Experiment 并用 GenerationStrategy 与 Scheduler 运行异步、并发受控的搜索试验

## 适合我吗

- 适合：适合想上手多目标贝叶斯优化与自动架构搜索、并已会写基础 PyTorch 训练代码的学习者；教程按作者说明可在笔记本上 20 分钟内跑通。
- 需要留意：不适合只想了解 NAS 理论或不需要动手配置 Ax/TorchX 工具链的读者；也不覆盖复杂模型与大数据集场景。

## 前置条件与费用

- 知识前置：需要了解 PyTorch 模型与训练循环的基本写法，并大致知道超参数搜索的概念。
- 软件、账号与硬件：需能运行 Python 环境并安装 PyTorch、PyTorch Lightning、TorchX、Ax/BoTorch（具体安装方式网页未说明）。
- 内容费用：免费：PyTorch 官方教程页面直接给出完整教程正文，未见付费墙或登录拦截。
- 实践费用：实践可能产生费用：教程默认在本地以异步方式运行训练任务，但提到可把调度器从 local\_cwd 换成 kubernetes 在集群上运行，届时可能产生云资源费用。
- 转载与修改：按材料分别核对，见本页“来源核验与开课实跑”；仓库许可不自动适用于教材或视频。

## 准备工具

- Python：运行教程示例代码
- PyTorch 与 PyTorch Lightning：定义模型与训练循环
- TorchX：把训练任务封装成 AppDef 并异步运行
- Ax / BoTorch：提供贝叶斯优化与多目标搜索

## 学习指南

开课检查：提示词由本站整理，尚未按提示词实际完成开课检查。

### 开课提示词（Windows）

```text
请帮我把「Multi-Objective NAS with Ax」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://docs.pytorch.org/tutorials/intermediate/ax_multiobjective_nas_tutorial.html
我的系统：Windows。如果实际不符，先调整方案。
本次路线：Windows：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：默认在本地以异步方式运行训练任务，参数量与训练轮数都较小，笔记本即可完成；若要改成 kubernetes 调度器则在集群上运行，可能产生云资源费用，建议先用小规模试验。
课节（官方顺序）：
1. Multi-Objective NAS with Ax（主页）：https://docs.pytorch.org/tutorials/intermediate/ax_multiobjective_nas_tutorial.html
2. mnist_train_nas.py（教程使用的训练脚本）：https://github.com/pytorch/tutorials/tree/main/intermediate_source/mnist_train_nas.py

1. 环境
- Python 3.x
- PyTorch
- PyTorch Lightning
- TorchX
- Ax / BoTorch
- TensorBoard（用于读取日志）
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://docs.pytorch.org/tutorials/intermediate/ax_multiobjective_nas_tutorial.html
3. 目录（最外层放在我确认的位置）
pytorch-multiobjective-nas-ax/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.ps1     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    ├── 01-01-multi-objective-nas-with-ax/
    └── 02-02-mnist-train-nas-py/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.ps1，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。将下面检查转换为 PowerShell 命令，不使用 Bash 语法。
  - python -c "import torch, torchx, ax; print('ok')"  → 输出 ok，无 ImportError。
  - 打开教程页面，确认标题为 Multi-Objective NAS with Ax 且可见 Defining the TorchX App 到 Configuring the Scheduler 各小节  → 页面完整显示教程正文。
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 开课提示词（macOS）

```text
请帮我把「Multi-Objective NAS with Ax」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://docs.pytorch.org/tutorials/intermediate/ax_multiobjective_nas_tutorial.html
我的系统：macOS。如果实际不符，先调整方案。
本次路线：macOS：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：默认在本地以异步方式运行训练任务，参数量与训练轮数都较小，笔记本即可完成；若要改成 kubernetes 调度器则在集群上运行，可能产生云资源费用，建议先用小规模试验。
课节（官方顺序）：
1. Multi-Objective NAS with Ax（主页）：https://docs.pytorch.org/tutorials/intermediate/ax_multiobjective_nas_tutorial.html
2. mnist_train_nas.py（教程使用的训练脚本）：https://github.com/pytorch/tutorials/tree/main/intermediate_source/mnist_train_nas.py

1. 环境
- Python 3.x
- PyTorch
- PyTorch Lightning
- TorchX
- Ax / BoTorch
- TensorBoard（用于读取日志）
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://docs.pytorch.org/tutorials/intermediate/ax_multiobjective_nas_tutorial.html
3. 目录（最外层放在我确认的位置）
pytorch-multiobjective-nas-ax/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    ├── 01-01-multi-objective-nas-with-ax/
    └── 02-02-mnist-train-nas-py/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - python -c "import torch, torchx, ax; print('ok')"  → 输出 ok，无 ImportError。
  - 打开教程页面，确认标题为 Multi-Objective NAS with Ax 且可见 Defining the TorchX App 到 Configuring the Scheduler 各小节  → 页面完整显示教程正文。
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 开课提示词（Linux）

```text
请帮我把「Multi-Objective NAS with Ax」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://docs.pytorch.org/tutorials/intermediate/ax_multiobjective_nas_tutorial.html
我的系统：Linux。如果实际不符，先调整方案。
本次路线：Linux：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：默认在本地以异步方式运行训练任务，参数量与训练轮数都较小，笔记本即可完成；若要改成 kubernetes 调度器则在集群上运行，可能产生云资源费用，建议先用小规模试验。
课节（官方顺序）：
1. Multi-Objective NAS with Ax（主页）：https://docs.pytorch.org/tutorials/intermediate/ax_multiobjective_nas_tutorial.html
2. mnist_train_nas.py（教程使用的训练脚本）：https://github.com/pytorch/tutorials/tree/main/intermediate_source/mnist_train_nas.py

1. 环境
- Python 3.x
- PyTorch
- PyTorch Lightning
- TorchX
- Ax / BoTorch
- TensorBoard（用于读取日志）
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://docs.pytorch.org/tutorials/intermediate/ax_multiobjective_nas_tutorial.html
3. 目录（最外层放在我确认的位置）
pytorch-multiobjective-nas-ax/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    ├── 01-01-multi-objective-nas-with-ax/
    └── 02-02-mnist-train-nas-py/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - python -c "import torch, torchx, ax; print('ok')"  → 输出 ok，无 ImportError。
  - 打开教程页面，确认标题为 Multi-Objective NAS with Ax 且可见 Defining the TorchX App 到 Configuring the Scheduler 各小节  → 页面完整显示教程正文。
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 每课提示词

```text
继续学习「Multi-Objective NAS with Ax」。课程目录是 pytorch-multiobjective-nas-ax/（不知道完整路径就先问我）。
1. 读 progress.md，找到下一课；如果我指定了第几课，就准备那一课。
2. 打开这一课的官方页面和本地讲义，列出本课练习要用的工具、文件和样例数据。缺少的先告诉我，等我同意再安装或下载。
3. 在 lessons/ 对应的课节文件夹里准备好练习：exercises/ 里给每道题建一个文件，写上题号和题目原文链接，不写答案；已有文件保留，样例数据放到 data/。拿不到官方题目或起始代码时记录限制，不编造替代品。
4. 按 README 运行开课时生成的自检脚本或在线检查清单，并检查本课新增工具能否正常使用。
5. 告诉我：本课先读哪几节、从哪道练习开始、大约需要多久。我学完后，帮我在 progress.md 勾选并把问题整理到 questions.md。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
```

### 课节（官方顺序）

1. [Multi-Objective NAS with Ax（主页）](<https://docs.pytorch.org/tutorials/intermediate/ax_multiobjective_nas_tutorial.html>)
2. [mnist\_train\_nas.py（教程使用的训练脚本）](<https://github.com/pytorch/tutorials/tree/main/intermediate_source/mnist_train_nas.py>)

## 指南参考

- [课程主页](<https://docs.pytorch.org/tutorials/intermediate/ax_multiobjective_nas_tutorial.html>)

## 来源、许可与验证记录

- **开课提示词未完整验证，需要自备账号或资源**：本地 Python 环境并安装 PyTorch、PyTorch Lightning、TorchX、Ax/BoTorch
- 转载与修改 · 课程页面与材料：未找到明确许可。节选未写明页面或示例代码的许可，仅提示可在页末下载完整示例代码 [依据](<https://docs.pytorch.org/tutorials/intermediate/ax_multiobjective_nas_tutorial.html>)
- 链接检查：1/1 个可以访问

## 来源与推荐

- 编辑整理收录

---
来源：LearnMap · 学径（https://oplearnx.com）