上次開場白說明了NNI最基本的Hyper-parameters（超參）調整，其實只是其中的功能之一。NNI尚有其他的特性及核心功能。
NNI的特性：
NNI 是一個工具包，可有效的幫助使用者設計並調優機器學習模型的神經網路架構，複雜系統的引數（如超參）等。NNI 的特性包括：易於使用，可擴充套件，靈活，高效

• 易於使用：NNI 可通過 pip 安裝，只需要在程式碼中新增幾行，就可以利用 NNI 來調優超引數與模型架構。
• 可擴充套件：調優超參或網路結構通常需要大量的計算資源。NNI 在設計時就支援了多種不同的計算資源，如遠端 伺服器組、OpenPAI 和 Kubernetes 等訓練平臺。
• 靈活：除了內建的演算法，NNI 中還可以輕鬆整合自定義的超參調優演算法、神經網路架構搜尋演算法、提前終止演算法等等。還可以將 NNI 連線到更多的訓練平臺上，如雲計算虛擬機器叢集、Kubernetes 服務等等。
高效：NNI 在系統及演算法級別上不停地優化，例如可通過 Trial 早期的反饋來加速調優過程

核心功能：
• 超參數優化：最核心的功能，提供了許多流行的自動調優演算法和提前終止演算法。
• 通用NAS框架：指定候選的架構，並且可以為NAS的研究人員提供了簡單的介面，便於開發新的NAS演算法。NNI支援多種one-shot NAS演算法，使用這些演算法不需要啟動NNI experiment，只需直接運行。 但是如果需要調整超參數，就需要啟動NNI experiement。
• 模型壓縮：壓縮后的網路通常具有更小的模型尺寸和更快的推理速度， 模型性能也不會有明顯的下降。NNI 上的模型壓縮包括剪枝和量化演算法
自動特徵工程：為下游任務找到最有效的特徵。