位置: IT常识 - 正文

超参数调优框架optuna(可配合pytorch)(超参数设置)

编辑:rootadmin
超参数调优框架optuna(可配合pytorch) 目录前言一、optuna的使用流程二、结果可视化三、pytorch代码使用optuna前言

推荐整理分享超参数调优框架optuna(可配合pytorch)(超参数设置),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:超参数设置,模型超参数调整,参数调优方法,超参数调优的作用,超参数选择,超参数调节,超参数优化算法,超参数优化,内容如对您有帮助,希望把文章链接给更多的朋友!

在深度学习快速发展的今天,对于不同深度学习模型的超参数优化(hyperparameter optimization),始终是一个比较头痛的问题。在超参较少的情况下,grid search是比较常见的方式,但是随着超参数量的不断增多,特别是对于神经网络而言,训练过程的超参和NN本身的超参组成的参数空间是巨大的,grid search方法会消耗巨大的资源,而且效果很差,因此寻找一个“机器炼丹”的框架十分必要。

optuna 是一个十分常用的超参数调优框架,具有操作简单,嵌入式强和动态调整参数空间等优点。另外还有其他框架也可以进行超参优化,如李沐老师提到的automl等。

一、optuna的使用流程

首先需要在命令行 pip install optuna 载入这个第三方库,载入之后import即可。

optuna中需要注意几个关键的名词: trail::一次实验 study::一次学习过程(包括多次实验)

import optunadef obj(trail):x = trail.suggest_float('x',1,5)return (x-3)*(x-3)stu = optuna.creat_study(study_name = 'test', direction = 'minimize')stu.optimize(obj, n_trials = 50)print(study.best_params)print(study.best_trial)print(study.best_trial.value)超参数调优框架optuna(可配合pytorch)(超参数设置)

该段实例代码中,函数obj定义一个含参数的需要优化的模块,带调整的超参数为 ‘x’ ,返回值为该模块的 objective value。超参x的类型为float,可调整空间为 [1,5] 左右都闭区间,常用的还有suggest_int表示整型,suggest_categorical表示字符串集合。

trail.suggest_int('name', 10, 50)trail.suggest_categorical('active', ['relu', 'sigmoid', 'tanh'])

study表示一个学习过程,direction参数为“minimize”表示对函数obj 的返回值(同时也是每次trial的objective value)向最小的方向优化。

二、结果可视化

optuna.visualization中包含了丰富的可视化工具。比较推荐使用的是以下三个:

optuna.visualization.plot_param_importances(stu).show()optuna.visualization.plot_optimization_history(stu).show()optuna.visualization.plot_slice(stu).show()

plot_param_importances 展示各个超参数对结果影响的重要性

plot_optimization_history 展示在n_trail 个trail中每次的objective value和当前的最优解

plot_slice 展示每个超参数在所有trail中取值的分布,以散点图的形式

三、pytorch代码使用optuna

在pytorch构建的MLP中进行使用,可以看到该调参框架是十分灵活的,可以设置训练参数,如batchsize,learning rate,也可也设置NN的参数,如隐藏层数目,激活函数类型等。

import torchfrom torch import nn, optimfrom torch.utils.data import DataLoaderfrom torch.autograd import Variable # 获取变量import optunadef train(batch_size, learning_rate, lossfunc, opt, hidden_layer, activefunc, weightdk,momentum): # 选出一些超参数 trainset_num = 800 testset_num = 50 train_dataset = myDataset(trainset_num) test_dataset = myDataset(testset_num) train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True) test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=True) # 创建CNN模型, 并设置损失函数及优化器 model = MLP(hidden_layer, activefunc).cuda() # print(model) if lossfunc == 'MSE': criterion = nn.MSELoss().cuda() elif lossfunc == 'MAE': criterion = nn.L1Loss() # optimizer = optim.Adam(model.parameters(), lr=learning_rate, weight_decay=weightdk) optimizer =optim.RMSprop(model.parameters(),lr=learning_rate,weight_decay=weightdk, momentum=momentum) # 训练过程 for epoch in range(num_epoches): # 训练模式 model.train() for i, data in enumerate(train_loader): inputs, labels, _ = data inputs = Variable(inputs).float().cuda() labels = Variable(labels).float().cuda() # 前向传播 out = model(inputs) # 可以考虑加正则项 train_loss = criterion(out, labels) optimizer.zero_grad() train_loss.backward() optimizer.step() model.eval() testloss = test() #返回测试集合上的MAE print('Test MAE = ', resloss) return reslossdef objective(trail): batchsize = trail.suggest_int('batchsize', 1, 16) lr = trail.suggest_float('lr', 1e-4, 1e-2,step=0.0001) lossfunc = trail.suggest_categorical('loss', ['MSE', 'MAE']) opt = trail.suggest_categorical('opt', ['Adam', 'SGD']) hidden_layer = trail.suggest_int('hiddenlayer', 20, 1200) activefunc = trail.suggest_categorical('active', ['relu', 'sigmoid', 'tanh']) weightdekey = trail.suggest_float('weight_dekay', 0, 1,step=0.01) momentum= trail.suggest_float('momentum',0,1,step=0.01) loss = train(batchsize, lr, lossfunc, opt, hidden_layer, activefunc, weightdekey,momentum) return lossif __name__ == '__main__': st=time.time() study = optuna.create_study(study_name='test', direction='minimize') study.optimize(objective, n_trials=500) print(study.best_params) print(study.best_trial) print(study.best_trial.value) print(time.time()-st) optuna.visualization.plot_param_importances(study).show() optuna.visualization.plot_optimization_history(study).show() optuna.visualization.plot_slice(study).show()
本文链接地址:https://www.jiuchutong.com/zhishi/298419.html 转载请保留说明!

上一篇:Transformer 中的mask(transformer add norm)

下一篇:SSD训练数据集流程(学习记录)(ssd训练自己的数据集pytorch)

  • 什么是税务登记管理
  • 小规模增值税附加税税率
  • 国际货物运输07113
  • 金税三期后企业没活路
  • 咨询服务费的印花税率
  • 其他扣款税后应该怎么做账?
  • 地税人工费税率计算是怎样的?
  • 喷绘制作费的税率
  • 如何确定增值税
  • 资金流量表国外部门如何记录
  • 预收账款的会计编码是多少?
  • 预提费用年底必须结转吗
  • 车辆完税证明怎么弄
  • 发票抬头写个人税号怎么写
  • 银行存款二级科目怎么增加
  • 清理备用金
  • 应收账款账面价值小于计税基础
  • windows11不显示桌面
  • php json转对象
  • linux中添加用户和组的操作
  • php stream_get_meta_data返回值
  • 个人所得税扣缴申报啥意思
  • php设计思路
  • 出现质量问题赔偿标准
  • 供电局销售电力产品
  • 什么是对账单的回函
  • 单位发放购物卡违法吗
  • 前端axios请求怎么中断
  • 共享主机和vps
  • 遍历enumeration
  • upf命令
  • 行政单位其他应付款
  • 公司股东利润分配方案范本
  • 出差补贴是额外的吗
  • 什么情况下需要异地预缴增值税
  • 个人独资企业取名规则
  • 帝国cms中英
  • 长期应付款项目,根据专项应付款和长期应付款
  • 公司交1500五险一金是什么水平
  • 财产租赁合同按金额的多少进行计税
  • mongodb重置密码
  • mysql密码忘了
  • 资产损失税前扣除
  • 计提生产经营所得
  • 合并财务报表内部往来如何抵消
  • 进项转出再转入
  • 转账支票的特点有哪些
  • 未分配利润的
  • 哪些资产减值损失确认过后是可以转回的
  • 工会经费属于什么科目
  • 房地产开发企业增值税怎么算
  • ubuntu安装教程14.04
  • 如何在sql server表中添加数据表格为什么没有显示
  • sqlserver 版本号
  • win8.1应用
  • win8系统连接不了网络
  • 怎样备份微信聊天记录到新手机
  • freebsd windows
  • unix操作系统命令
  • 系统盘gpt转mbr
  • winxp wifi 无法连接
  • exe什么意思?
  • svchos1.exe - svchos1是什么教程 有什么作用
  • win10系统哪款好
  • 阿里云服务器linux系统
  • linux服务端
  • win7打开回收站
  • win8 开始
  • 安卓百分百
  • 我的第二个姐姐用英语怎么说
  • Androidannotation使用之@Rest获取资源及用户登录验证(一)
  • shell监控端口状态
  • jquery中遍历指定的对象和数组是哪个方法
  • bootstrap4 教程
  • 原生js页面滚动怎么设置
  • 江苏省增值税专用发票怎么开
  • 个人出租住房增值税免税政策
  • 财税36号文附件3
  • 杭州车辆购置税怎么算
  • 宁波个人税务查询网
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设