Vega运行环境为：Ubuntu 18.04、CUDA 10.0、Python3.7，并支持集群部署，详细的安装和部署指导，可参考 安装指导 和 集群部署指导 。
Vega提供了丰富的AutoML任务，用户可根据下表选择合适的算法：
| 任务 | 分类 | 参考算法 |
|---|---|---|
| 图像分类 | 网络架构搜索 | CARS、NAGO、BackboneNas、DartsCNN、GDAS、EfficientNet |
| 超参优化 | ASHA、BOHB、BOSS、BO、TPE、Random、Random-Pareto | |
| 数据增广 | PBA | |
| 模型压缩 | 模型剪枝 | Prune-EA |
| 模型量化 | Quant-EA | |
| 图像超分辨率 | 网络架构搜索 | SR-EA、ESR-EA |
| 数据增广 | CycleSR | |
| 图像语义分割 | 网络架构搜索 | Adelaide-EA |
| 物体检测 | 网络架构搜索 | SP-NAS |
| 车道线检测 | 网络架构搜索 | Auto-Lane |
| 推荐搜索 | 特征选择 | AutoFIS |
| 特征交互建模 | AutoGroup |
Vega针对以上每个算法提供了示例，通过尝试运行示例，可快速掌握各个算法。具体运行示例的方法，可参考 示例参考 。
通过运行示例，会发现一般Vega算法的输入是数据集和配置信息，输出为网络架构描述、模型训练超参、或模型。同时可根据需要将不同的算法和fully train步骤组合成一个pipeline，实现端到端的AutoML流程，输入数据，即可得到所需的模型。
如上描述Pipeline的详细配置信息，可参考 配置指导 。
Vega还提供了端侧模型评估的能力，支持的端侧硬件有Davinci推理芯片（ATLAS 200 DK、ATLAS 300产品和开发板环境Evb)和手机，支持在 Bolt 部署评估。
用户可参考 评估服务安装和配置指导 安装和配置评估服务，用以在架构搜索过程中实时评估搜索到的模型，得到适用于该终端设备的模型。