AutoML的使用限制以及規格，包括當前支援的地區，支援的搜尋演算法TPE、GridSearch（網路搜尋）、Random（隨機搜尋）、Evolution（演化演算法）、GP（貝葉斯最佳化）、PBT（非同步最佳化演算法），以及對應的應用情境。
支援地區（region）
當前AutoML支援在下列地區使用，如果您需要使用AutoML，需要在控制台切換地區至下面中的一個：
華東1（杭州）、華東2（上海）、華北2（北京）、華南1（深圳）、中國（香港）。
您可以在PAI控制台頁面上方的下拉式清單中快速切換相近或者需要的地區。
支援的搜尋演算法
當前AutoML產品在超參搜尋中，支援搜尋演算法有以下幾種，下面向您介紹各個搜尋演算法，以及典型適用情境。
TPE：Tree-structured Parzen Estimator，是一個無需附加依賴的輕量級演算法，可以支援所有的搜尋空間類型，為HPO中使用的預設演算法。 它可以處理複雜、非線性、高緯度且計算代價較大的問題。TPE的缺點是無法發現不同參數之間的聯絡。參考文獻：Algorithms for Hyper-Parameter Optimization
GridSearch：網格搜尋演算法，將所搜空間均勻分成網格，然後遍曆所有可能的組合來確定最佳組合。當搜尋空間較小時，可以使用該方法，找到絕對最優組合。
Random：純隨機產生超參組合的方法，與網路搜尋原理相似，將超參數搜尋空間分成網格，但隨機搜尋為每個trial會隨機播放一組超參數。對於非線性、高維且計算代價較大的問題，它作為一個高效的初篩方法，縮小網格搜尋的範圍。
Evolution：演化演算法的思想來源於 Large-Scale Evolution of Image Classifiers。演算法基於所搜空間初始化，對於每一代迭代，選擇較優的多個參數，並對其進行個別參數的突變（如，修改某個超參，增加或減少網路層數等）來擷取下一組備選超參。演化演算法需要進行多次trial，但是演算法邏輯簡單且容易擴充到更多的新特徵之上。
GP：是一個使用高斯過程（Gaussian Process）計算loss的貝葉斯最佳化方法。貝葉斯最佳化使用trial所得指標的後驗分布，利用高斯過程最佳化目標。隨著觀察資料量的增加，後驗分布也將越來越準確，演算法將更確定特定搜尋空間是否有效。
PBT：Population Based Training，演算法來自於文獻 Population Based Training of Neural Networks。這是一個固定計算資源的非同步最佳化演算法，通過最佳化固定數量模型及超參來提高效能。PBT演算法通過對單組超參不停迭代修改發現獲得最優，而非通過全域結果來尋找單個最優解。