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)

  • 邮政电信业务差距大吗
  • 新成立的公司如何建账
  • 账面价值大于计税基础是什么差异
  • 商品进销差价在贷方代表什么
  • 外国人在中国工作签证
  • 海关入库成功下一步干嘛
  • 出纳单据交接表怎么填写
  • 生育津贴需要连续缴纳社保满一年吗
  • 研究开发费用加计扣除多少
  • 公司宣传牌模板
  • 代扣代缴个人所得税计入哪个科目
  • 税控设备可以跨省销售吗
  • 私人企业的资金来源
  • 企业应缴的教育费附加税是多少?
  • 增值税发票如何读入金税盘
  • 建筑机械租赁站
  • 别墅送停车位吗
  • 小微企业贷款利息补贴
  • 国外企业提供国际运输服务税率
  • 我的初级备考日记--你都没坚持,还谈什么未来
  • 单位外汇账户可分为
  • 建账时的库存怎么做账
  • 一年内到期的应付债券计入
  • acs_log是什么文件
  • 工会举办比赛,参赛人员差旅费可以在工会报销吗
  • paytime.exe - paytime是什么进程 有什么用
  • 财政扶持企业政策
  • 补提坏账准备为什么不调整应纳税
  • 出口退税款的会计科目
  • 午夜太阳的意思
  • 交通运输企业会议记录
  • 非正常损失可以税前扣除吗
  • 工业 智能
  • 延期缴纳税款的问题
  • phpcms怎么用
  • 企业生产过程中执行标准要把握好以下原则
  • 未认证的进项税额会计分录
  • 销售车位应怎么交税
  • 卖出看跌期权的最大损失
  • MySQL服务器系统支持哪些存储引擎
  • 母子公司合并报表案例
  • 金税四期对企业影响
  • 长期应付款科目的涉税风险
  • mysql的存储引擎有哪些,区别是什么
  • 无票收入的增值税税率
  • 应收账款坏账计提比例新标准
  • 上月账单还未结算完毕
  • 利润表中资产减值损失为正数是什么原因
  • 主营业务收入核算项目组合表
  • 存贷款利率计算公式
  • 营改增是什么时候开始实行的?
  • 固定资产折旧残值率的最新规定2021
  • 公司股权变更所需资金
  • 怎么看财务报表平不平
  • mysql 5.7.30安装
  • mysql -u -p -s
  • 世界杯猜测
  • mysql5.7解压版安装
  • win7总是提示激活
  • vmware虚拟机安装Linux教程
  • ubuntu服务器安装matlab2014a环境配置
  • mac入门视频教程
  • linux操作系统的安装
  • win7待机时间在哪调
  • addObserver和postNotification函数传递函数的区别
  • 运行javascript
  • 为什么调用不了函数
  • ContentProvider之通过ContentResolver获取图像、视频、音频举例
  • 【新功能】“回调特性”的使用教程:
  • Unity3D游戏开发标准教程吴亚峰于复兴人民邮电出版社
  • unity更新下载文件
  • unity常用代码
  • centos6升级到centos8
  • JavaScript浏览器插件制作
  • jquery可以实现哪些效果
  • js window.screen
  • 江苏省国税总局
  • 张江税务所地址
  • 湖北税务网上登录
  • 地税稽查局查账严重吗
  • 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