MindOpt Tuner调参器，提升求解速度、性能（一）

已于 2023-11-03 17:12:53 修改
阅读量404 收藏 1
点赞数
文章标签： 贪心算法 算法
于 2023-06-02 13:50:09 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/MindOpt_003/article/details/131005410
版权

MindOpt Studio简介

MindOpt 调参器（MindOpt Tuner，简称 MTuner）是一款超参自动优化工具。

它可以帮助运筹优化工程师在使用求解器时自动搜索最佳参数组合。优化求解器往往拥有很多配置参数，例如启发式方法的开关、割平面方法的开关、预处理的配置以及各种误差容忍度等等。MindOpt Tuner会尝试不同的参数组合，评估每组参数的性能，然后基于这些结果来确定最佳参数。这样可以大大减少手动调整参数的时间和精力，并且可以帮助提升求解性能。

不同于常见的贪心算法、遗传算法、粒子群算法等调参算法，MindOpt Tuner使用了团队新研发的快速算法，只需要相对少的评估就能给出性能很好的参数。

image.png

输入:

  • 业务场景中的优化问题数据，一个或者多个均可以
  • 待调的求解器
  • （可选）这个求解器待调的参数。若没有指定，则会自动用MindOpt Tuner内部内置的能力。

输出：

  • 一套最优参数。采用此参数运行该求解器，在您的业务场景上会得到更优的效果。
  • 一系列结果文件和日志，给出调参效果分析。比如会列出对效果影响更大的几个参数。

用法

MindOpt Tuner 当前支持以下几种用法：

  1. web页面作业提交：可直接在浏览器访问“作业提交”来提交和管理任务、获取结果，在其他渠道提交的任务也可在此任务管理查看到。
  2. Notebook容器：类似MindOpt求解器和建模语言，可以访问MindOpt建模求解平台的Notebook容器中使用Mtuner。其内核同单机版，但无需安装步骤直接浏览器中使用。采用Notebook项目方便记录笔记、查询接口和参数说明、混合编程、公开分享项目等。
  3. 单机版：支持在MacOS、Linux、Windows平台环境下来创建并触发调参任务。适合需要定制化集成或私有化部署的客户,安装包获取>>

本篇系列将重点讲解下Notebook容器中如何使用命令行（本篇）和PythonAPI，并且给出web页面任务提交用法示例截图。

注：下面的文件包含code源码，您可复制本项目，然后在浏览项目内容页点击右上角的NoteBook按钮，进入环境后查看、运行、修改调试代码。

Notebook容器中使用

下文将通过以下顺序讲解：

  1. 提交任务：根据一个问题调优
  2. 学习查询指令
  3. 查询结果
  4. 使用结果
  5. 提交一组数据用于调参（本地和OSS）
  6. 其他常用指令

1. 提交任务：根据一个问题调优

这里假设我们业务场景搜集到两个数据，nl_train_1.nl用来调参，nl_test_1.nl用来验证调参结果可用。

首先我们运行如下指令提交一个调参任务:

! mindopt-tuner create-task --solver cbc --problem './model/nl_train_1.nl' --max-tuning-time 600

OpenBLAS WARNING - could not determine the L2 cache size on this system, assuming 256k
Problem file "nl_train_1.nl" uploaded successfully.
Task #438394355699425280 created succesfully.

这里需注意：为了节省数据存储空间，同用户下的MD5值相同的数据文件，服务端仅会存一次。因此重复提交后会提醒文件已存在。此时调参任务继续执行，线上存的数据不更新。

这里小编已经提交了测试过，新提交taskID会和后文描述不一样。小编提交的taskID是 438394355699425280。后文将基于此ID来讲解获取结果，用户请注意更换自己的ID测试。

这段任务提交的指令可以解析为：

指令段说明
!使用cell magic，让可以在Python内核的Notebook的code cell里面运行命令行指令。
mindopt-tuner是MindOpt Tuner调参器的可执行程序的名称
create-task创建任务。还有其他指令可以通过 mindopt-tuner -h
去查询
–solver cbc选择求解器为cbc。还有其他参数可以通过 mindopt-tuner create-task -h
去查询
–problem ‘./model/nl_train_1.nl’使用’./model/nl_train_1.nl’数据用于调参。
–max-tuning-time 600设置调参任务的时间额度为600秒，到时间后会停止调优。

2. 学习查询指令

在上一节中我们提到了

指令段说明
create-task创建任务。还有其他指令可以通过 mindopt-tuner -h
去查询
–solver cbc选择求解器为cbc。还有其他参数可以通过 mindopt-tuner create-task -h
去查询

这里，我们可以试运行以下指令，查询接口的用法：

!mindopt-tuner -h

OpenBLAS WARNING - could not determine the L2 cache size on this system, assuming 256k
MindOpt Tuner v0.9.0 (Build: 20230404)

Usage: mindopt-tuner [-h] [-v] <action> [<action options>]

Arguments:
  -h, --help         Show help information.
  -v, --version      Show the software version.

Actions:
  create-task        Create a new tuning task, and then start it.
  terminate-task     Terminate one or more existing tuning tasks.
  delete-task        Delete one or more tuning tasks. If a task to delete is running, it will be terminated and deleted.
  check-cloud-usage  Check cloud resource usage.
  task-status        Show the status of one or more tuning tasks.
  list-tasks         List tuning tasks.
  fetch-result       Fetch tuning result.
  upload-file        Upload a file to the cloud.

'mindopt-tuner <action> -h' Show the help information of an action.

这里我们得到了操作词和功能说明，然后我们还可以根据 mindopt-tuner 操作词 -h来查询对应操作词的使用说明。比如如何获取结果：

!mindopt-tuner task-status -h
!mindopt-tuner fetch-result -h

OpenBLAS WARNING - could not determine the L2 cache size on this system, assuming 256k
MindOpt Tuner v0.9.0 (Build: 20230404)

Usage: mindopt-tuner task-status [-h] --task-id <id> [<id> ...]

Show the status of one or more tuning tasks.

Arguments:
  -h, --help                 Show help information.
  --task-id <id> [<id> ...]  Specify the id(s) of the tuning task(s), separated by space.
OpenBLAS WARNING - could not determine the L2 cache size on this system, assuming 256k
MindOpt Tuner v0.9.0 (Build: 20230404)

Usage: mindopt-tuner fetch-result [-h] --task-id <id> [--file <file>] [--show-url]

Fetch tuning result.

Arguments:
  -h, --help      Show help information.
  --task-id <id>  Specify the id of the tuning task
  --file <file>   Path to the file to fetch
  --show-url      Show the file download URL

3. 查询结果

根据上面的指令,我们可以通过以下方式来查询我们刚刚提交的任务的结果。用户测试时候，请注意更换上面自己任务的ID号。

!mindopt-tuner task-status --task-id 438394355699425280

print("-------分割线--------")
! mindopt-tuner fetch-result --task-id 438394355699425280

OpenBLAS WARNING - could not determine the L2 cache size on this system, assuming 256k
+--------------------+---------+--------------+----------+---------------------+-----------------------------------------+
|                 id |   cores |   memory(GB) | status   | creation time       | file outputs                            |
+====================+=========+==============+==========+=====================+=========================================+
| 438394355699425280 |       2 |            2 | finished | 2023-04-24T17:42:39 | ['result/FINISHED',                     |
|                    |         |              |          |                     | 'result/log_mtuner.log',                |
|                    |         |              |          |                     | 'result/tuning_config_mtuner.txt',      |
|                    |         |              |          |                     | 'result/performance.txt',               |
|                    |         |              |          |                     | 'result/summary_mtuner.csv',            |
|                    |         |              |          |                     | 'result/evaluation_history_mtuner.csv', |
|                    |         |              |          |                     | 'result/best_parameters_mtuner.prm']    |
+--------------------+---------+--------------+----------+---------------------+-----------------------------------------+
-------分割线--------
OpenBLAS WARNING - could not determine the L2 cache size on this system, assuming 256k
OpenBLAS WARNING - could not determine the L2 cache size on this system, assuming 256k
OpenBLAS WARNING - could not determine the L2 cache size on this system, assuming 256k

****************************************************************************************************
MindOpt Tuner 0.9.0 started at 2023-04-24 17:43:18
- Tuning for COIN-OR Cbc 2.10.5 (Build Date: Nov 24 2021).
- Tuning on "nl_train_1.nl".
- Initial "max_eval_time": 300s.
- Tuning-objective: wallclock_time.
- Tuning task will be terminated after evaluating 200 para-combos or reaching 600s.
- Evaluating default parameters...
- "wallclock_time" with default parameters: 3.21
- Remained tuning time: 578.96s.

Tuning starts at 2023-04-24 17:43:39.
   ================================================================================
   <#Eval>       <wallclock_time>   <Current best>   <Elapsed time>   <Eval status>
   -------       ----------------   --------------   --------------   -------------
         1                 2.5900           2.5900            24.00         OPTIMAL
         2                 0.6900           0.6900            44.87         OPTIMAL
         3                 2.0000           0.6900            65.97          CUTOFF
         4                 0.1000           0.1000            87.02         OPTIMAL
         5                 2.0000           0.1000           104.90          CUTOFF
         6                 2.0000           0.1000           122.95          CUTOFF
         7                 2.0000           0.1000           143.91          CUTOFF
         8                 2.0000           0.1000           167.95          CUTOFF
         9                 2.0000           0.1000           188.95          CUTOFF
        10                 1.7100           0.1000           209.93         OPTIMAL
        11                 0.1000           0.1000           230.89         OPTIMAL
        12                 0.1000           0.1000           248.87         OPTIMAL
        13                 0.1000           0.1000           266.96         OPTIMAL
        14                 0.1000           0.1000           284.86         OPTIMAL
        15                 0.1100           0.1000           302.92         OPTIMAL
        16                 0.1000           0.1000           320.90         OPTIMAL
        17                 0.1000           0.1000           338.91         OPTIMAL
        18                 0.1000           0.1000           356.92         OPTIMAL
        19                 0.1000           0.1000           377.93         OPTIMAL
        20                 0.1000           0.1000           398.93         OPTIMAL
        21                 0.1000           0.1000           416.91         OPTIMAL
        22                 0.1000           0.1000           434.89         OPTIMAL
        23                 0.2100           0.1000           455.89         OPTIMAL
        24                 0.1000           0.1000           476.90         OPTIMAL
        25                 0.1000           0.1000           494.90         OPTIMAL
        26                 0.1000           0.1000           512.90         OPTIMAL
        27                 0.0900           0.0900           530.89         OPTIMAL
        28                 0.1000           0.0900           548.91         OPTIMAL
        29                 0.1000           0.0900           566.90         OPTIMAL
        30                 2.0000           0.0900           584.89          CUTOFF
Tuning finished at 2023-04-24 17:53:24.

   ===========================================================================
   Best wallclock_time: 0.09                               Status: finished
   ---------------------------------------------------------------------------
   <Parameters>                                   <Values>        <Importance>
   ------------                                   --------        ------------
   cuts                                               root          0.0277 *
   preprocess                                    aggregate          0.9309 ***
   heuristics                                          off          0.0007
   strongBranching                                       2          0.0101
   trustPseudoCosts                                      5          0.0306 **

   NOTE: The 'Importance' scores indicate the relative importance of each parameter.
   The higher the score (more '*' attached), the more effective the parameter is.

Tuning finished, the best wallclock_time is 0.09 [** 35.67x improvement **]

The following files have been generated:

   1. result/best_parameters_mtuner.prm                  // Best parameters in '.prm' format.    
   2. result/log_mtuner.log                              // Logs of the tuning process.
   3. result/evaluation_history_mtuner.csv               // Evaluation history of the tuning process. 
   4. result/summary_mtuner.csv                          // Summary of the tuning results. 

****************************************************************************************************

这个日志列出了比较详细的信息，其中：

  • - "wallclock_time" with default parameters: 3.21 代表调参前的求解时间是 3.21s
  • 调参结束后的 <Parameters> <Values> <Importance>代表的是优化调参后的建议取值和重要性评估。
  • Tuning finished, the best wallclock_time is 0.09 [** 35.67x improvement **] 这句话代表，调参后的最快速度是0.09秒求解（wallclock_time），比原始参数提速 35.67 = 3.21/0.09 倍。

我们还可以运行如下指令，去获取上面表格 file outputs里面的文件信息，比如：

print("----调参后参数----")
! mindopt-tuner fetch-result --task-id 438394355699425280 --file result/best_parameters_mtuner.prm
print("----调参表现----")
! mindopt-tuner fetch-result --task-id 438394355699425280 --file result/performance.txt --show-url

----调参后参数----
OpenBLAS WARNING - could not determine the L2 cache size on this system, assuming 256k
cuts	"root"
preprocess	"aggregate"
heuristics	"off"
strongBranching	2
trustPseudoCosts	5

----调参表现----
OpenBLAS WARNING - could not determine the L2 cache size on this system, assuming 256k
Tuning finished, the best wallclock_time is 0.09 [** 35.67x improvement **]

Download url of the file:
https://opt-mdp-prod.oss-cn-beijing.aliyuncs.com/distrun_cloud/prod/result/438394355955273728/result/performance.txt?Expires=1682344463&OSSAccessKeyId=LTAI5tNoeFXtmgwggcXkt2wP&Signature=iGTXfaojbwxzObNebCpDceQzzEU%3D

4.使用结果

这里我们可以验证下效果。刚求解的是.nl文件，可以参考MindOpt APL建模语言的设置求解器参数的指引来使用和设置参数。

如以下跑的代码：

  1. 用cbc默认参数，原始参数求解完后，(Wallclock seconds):2.07 秒。
  2. 用MindOpt Tuner调参后的参数，(Wallclock seconds): 0.09 秒。

2.07 / 0.09 ≈ 23 倍

这里需要注意的是：不同机器运行的耗时不一样，因此计算的提升倍数有差异，最优参数推荐值也可能不一样。上面调参器调优的结果是在云平台的远程服务器中运行，与本容器的环境并不一致，从本容器的运行结果大致也能看到速度有明显提升。

下面的指令输出的日志太长，为了优化阅读体验，我们删除了运行记录，您可以将下面的cell属性从Raw更改为Code后运行：

print("====================采用原始参数====================")
!cbc model/nl_train_1.nl -AMPL wantsol=1 log=1
print("====================采用MindOpt Tuner调优后的参数====================")
!cbc model/nl_train_1.nl -AMPL   cuts=root preprocess=aggregate heuristics=off strongBranching=2 trustPseudoCosts=5 wantsol=1 log=1

这里我们还可以测试以下这个参数的迁移性，nl_test_1.nl文件是和nl_train_1.nl相似的一个问题，我们可以看看用训练出来的参数求解表现如何。

从运行结果看，花费的时间与训练数据接近，调优后的参数能提速近20倍。

下面的指令输出的日志太长，为了优化阅读体验，我们删除了运行记录，您可以将下面的cell属性从Raw更改为Code后运行：

print("====================test-采用原始参数====================")
!cbc model/nl_test_1.nl -AMPL wantsol=1 log=1
print("====================test-采用MindOpt Tuner调优后的参数====================")
!cbc model/nl_test_1.nl -AMPL   cuts=root preprocess=aggregate heuristics=off strongBranching=2 trustPseudoCosts=5 wantsol=1 log=1

5. 提交一组数据用于调参（本地和OSS）

除了对于单个文件调参，还可以根据一组数据进行调参。举例：我们将数据存在 src/mps_train文件夹（这些数据来源于MindOpt求解器单机版的安装包的 examples/data文件夹，），其访问路径（相对本运行环境）存储为一个txt文件mps_train_local.txt。

同时不仅仅支持文件存在本地容器，也支持存在云端oss。这个方式适合大文件（不适合浏览器上传或者这个容器放不下），我们可以用阿里云的对象存储OSS。这里我们举例有几个数据，存在了云端OSS（公开可访问），然后将数据的地址存入mps_train_oss.txt。

然后我们运行如下提交指令进行测试提交：

print("----本地的文件提交-----")

!mindopt-tuner create-task --solver cbc --problem ./model/mps_train_local.txt --max-tuning-time 3600

----本地的文件提交-----
OpenBLAS WARNING - could not determine the L2 cache size on this system, assuming 256k
Problem file "enlight7.nl" uploaded successfully.
Problem file "enlight8.nl" uploaded successfully.
Problem file "enlight10.nl" uploaded successfully.
Task #438398613857509376 created succesfully.

print("----OSS的文件提交-----")
!mindopt-tuner create-task --solver cbc --problem ./model/mps_train_oss.txt --max-tuning-time 3600

----OSS的文件提交-----
OpenBLAS WARNING - could not determine the L2 cache size on this system, assuming 256k
Task #438398626012602368 created succesfully.

小编运行的时候得到taskID：438398613857509376New 和 438398626012602368。
运行结束后，我们可以获得结果。从结果可以看出，可以得到提升。
Tips ：对于求解器的调参，我们建议只在同一场景的问题上调优。如果问题结构差异很大，调参效果并不一定好

#print("-------查看状态和results文件链接--------")
#!mindopt-tuner task-status --task-id 438398613857509376 438398626012602368

print("-------本地的提交结果--------")
! mindopt-tuner fetch-result --task-id 438398613857509376 --file result/performance.txt
print("-------OSS的提交结果，一样的--------")
! mindopt-tuner fetch-result --task-id 438398626012602368 --file result/performance.txt

-------本地的提交结果--------
OpenBLAS WARNING - could not determine the L2 cache size on this system, assuming 256k
Tuning finished, the best avg_wallclock_time is 3.87333 [** 33.01x improvement **]

-------OSS的提交结果，一样的--------
OpenBLAS WARNING - could not determine the L2 cache size on this system, assuming 256k
Tuning finished, the best avg_wallclock_time is 3.9 [** 32.71x improvement **]

6.其他常用指令

如果任务等待了很久，忘记了taskID，您还可以运行下面的指令查询自己账号下面的所有任务ID。任务排队也可以查看当前环境和账号支持的额度。更多的指令可以参考上文的 2. 学习查询指令的 mindopt-tuner [操作词] -h来表示。

print("-----当前份额：-----")
! mindopt-tuner check-cloud-usage --resource tasks
! mindopt-tuner check-cloud-usage --resource machines

print("-----所有的任务：-----")
! mindopt-tuner list-tasks --page-number 1  --tasks-per-page 2

-----当前份额：-----
OpenBLAS WARNING - could not determine the L2 cache size on this system, assuming 256k
Tuning tasks:
+-------------------------+----------------+----------------+
| Name                    | Usage          | Limit          |
+=========================+================+================+
| Number of running tasks | 0 concurrently | 3 concurrently |
+-------------------------+----------------+----------------+
| Number of saved tasks   | 26             | 1000           |
+-------------------------+----------------+----------------+
OpenBLAS WARNING - could not determine the L2 cache size on this system, assuming 256k
Computing resources:
+-----------------+----------------+----------------------+
| Name            | Usage          | Limit                |
+=================+================+======================+
| Number of evals | 0 concurrently | 200 concurrently     |
+-----------------+----------------+----------------------+
| CPU(core-hour)  | 3.79           | 160/day, max 16/eval |
+-----------------+----------------+----------------------+
| Memory(GB-hour) | 7.58           | 640/day, max 32/eval |
+-----------------+----------------+----------------------+
*Each eval is counted for minimally 1 core-hour and 1 GB-hour.
-----所有的任务：-----
OpenBLAS WARNING - could not determine the L2 cache size on this system, assuming 256k
+--------------------+---------+--------------+----------+---------------------+-----------------------------------------+
|                 id |   cores |   memory(GB) | status   | creation time       | file outputs                            |
+====================+=========+==============+==========+=====================+=========================================+
| 438413495201964032 |       2 |            2 | finished | 2023-04-24T18:58:42 | ['result/FINISHED',                     |
|                    |         |              |          |                     | 'result/log_mtuner.log',                |
|                    |         |              |          |                     | 'result/tuning_config_mtuner.txt',      |
|                    |         |              |          |                     | 'result/performance.txt',               |
|                    |         |              |          |                     | 'result/summary_mtuner.csv',            |
|                    |         |              |          |                     | 'result/evaluation_history_mtuner.csv', |
|                    |         |              |          |                     | 'result/best_parameters_mtuner.prm']    |
+--------------------+---------+--------------+----------+---------------------+-----------------------------------------+
| 438398626012602368 |       2 |            2 | finished | 2023-04-24T17:59:37 | ['result/FINISHED',                     |
|                    |         |              |          |                     | 'result/log_mtuner.log',                |
|                    |         |              |          |                     | 'result/tuning_config_mtuner.txt',      |
|                    |         |              |          |                     | 'result/summary_mtuner.csv',            |
|                    |         |              |          |                     | 'result/performance.txt',               |
|                    |         |              |          |                     | 'result/evaluation_history_mtuner.csv', |
|                    |         |              |          |                     | 'result/best_parameters_mtuner.prm']    |
+--------------------+---------+--------------+----------+---------------------+-----------------------------------------+
Starting page=1 / Page size=2 / Total page=13/ Total task=26
MindOpt_003
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
MTuner：MTuner是CC ++内存分析器和内存泄漏查找器，适用于Windows，PlayStation 4和3，Android和其他平台
02-24
MTuner是用于Windows，PlayStation 4和3，Android和其他平台的C / C ++内存分析器和内存泄漏查找器。 MTuner利用一种新颖的方法进行内存分析和分析，保留了整个基于时间的内存操作历史记录。 通过查询整个数据集，可以对软件的内存相关行为提供独特的见解。 创建MTuner时是为了对C / C ++应用程序进行性能分析，只要存在相应的调试符号信息，就可以为使用其他语言编写的程序配置内存。 用户可以使用将DMD CodeView / DWARF调试符号转换为PDB格式。 源代码 您可以通过从github克隆最新的源代码来获取它： git clone https://github.com/milostosic/MTuner.git 下载 二进制文件可以从页面下载 文献资料 可以在找到MTuner文档。 依存关系 MTuner使用框架作为用户界面。 可以
MindOpt Tuner调参器，提升求解速度、性能（二）
MindOpt_003的博客
06-12 108
MindOpt Tuner是达摩院决策智能实验室基于mindopt优化求解器研发的调参器，超参自动优化工具，它可以帮助运筹优化工程师在使用求解器时自动搜索最佳参数组合，尝试不同的参数组合，评估每组参数的性能，然后基于这些结果来确定最佳参数。这样可以大大减少手动调整参数的时间和精力，并且可以帮助提升求解性能。
探秘MTuner：强大的C/C++内存剖析利器
最新发布
gitblog_00077的博客
05-12 342
探秘MTuner：强大的C/C++内存剖析利器 项目地址:https://gitcode.com/RudjiGames/MTuner 在软件开发中，内存管理是提升性能和保证稳定性的重要环节，尤其是对于C/C++这样的低级语言来说。为此，我们向您推荐一款名为MTuner的开源工具，它是一个跨平台的内存剖析器与内存泄漏检测器，专为Windows、PlayStation 4 和 3、Android等系...
MindOpt学习（一）：初步了解MindOpt
MindOpt_003的博客
02-02 1621
初步了解MindOpt
cpp-MTuner一个用于WindowsPS4PS3等的CC内存分析器和内存泄漏查找器
08-16
MTuner一个用于Windows，PS4，PS3等的C/C 内存分析器和内存泄漏查找器
探秘MTuner：一个强大的GPU频率调优工具
gitblog_00030的博客
03-24 348
探秘MTuner：一个强大的GPU频率调优工具 项目地址:https://gitcode.com/milostosic/MTuner 在现代计算机和游戏领域中，GPU的重要性不言而喻。为了挖掘硬件的潜力并获得最佳性能，【MTuner】应运而生。这是一个开源、跨平台的工具，专为高级用户设计，用于实时监控和调整GPU的核心频率、电压和其他关键参数。 项目简介 MTuner由开发者milostosic...
mysql性能优化工具--tuner-primer使用介绍
09-10
Tuner-Primer是一个专门用于MySQL性能调优的脚本工具，由Matthew Montgomery开发，它可以帮助管理员识别潜在的问题并提供改进建议。下面将详细介绍Tuner-Primer的使用方法及其返回数据的分析。 首先，你需要下载...
tv.tuner.rar_9535_TV tuner driver_调谐器_高频头
09-14
在这个压缩包“tv.tuner.rar_9535_TV tuner driver_调谐器_高频头”中，包含了一个针对型号为TNF9835/9535高频头的电视调谐器驱动程序。TNF9835/9535是一种常见的高频调谐器芯片，广泛应用于各种电视、卫星接收器和...
微软自动调参工具 NNI 使用事例教程源码，基于pytorch1.7.1
11-10
NNI（Neural Network Intelligence）是微软开源的一个自动机器学习（AutoML）工具，...通过理解NNI的工作原理，掌握配置文件和训练代码的编写，以及利用提供的调参算法，我们可以在实践中更好地应用NNI，提升模型性能。
Micronas向数字电视应用推出高性能解调器
11-25
据介绍，功能丰富的DRX-H系列产品具有较高的性能，并且符合美国数字电视应用的ATSC标准，也满足FCC Tuner Mandate要求。后者要求电视机制造商在规定的最终日期之前，将数字接收器集成到电视机和某些其它消费电子产品...
Entropy piano tuner 熵钢琴调律器（中文）用户手册
07-05
Entropy piano tuner 熵钢琴调律器（中文）用户手册详细说明了Entropy piano tuner 熵钢琴调律器的设计思路，使用操作方法。
MTuner可执行文件
08-05
MTuner：MTuner是C/C ++内存分析器和内存泄漏查找器，适用于Windows，PlayStation 4和3，Android和其他平台
基于MTuner软件进行qt的mingw编译程序的内存泄漏检测
yantuguiguziPGJ的博客
06-22 2110
Mtuner 是适用于 Windows、PlayStation 4 和 3、Android 和其他平台的 C/C++ 内存分析器和内存泄漏查找器。 检测方法： 按照(21条消息) MinGW版Qt环境下如何检测内存泄漏_u014804795的博客-CSDN博客的测试代码，测试出了下面的内存泄漏位置： QLabel *label1 = new QLabel("label"); ...
OpenBLAS warning这个怎么解决呀
yueliangpython的博客
09-24 1850
解决OpenBLAS warning错误
MindOpt：阿里巴巴达摩院打造的优化求解器及其组件全面介绍
MindOpt_003的博客
01-12 1913
MindOpt 是阿里巴巴达摩院决策智能实验室研发的决策优化软件。团队组建于2019年，聚焦于研发尖端运筹优化和机器学习技术，构建智能决策系统，更快更好地向各行各业提供数学建模与求解能力，帮助业务更快更好地做出决策，以期降低成本、提升效率、增大收益 。
简评C++内存泄漏检测工具
weixin_72979606的博客
02-01 811
C++内存泄漏检测工具简评
为什么keras tuner调参效果不好？怎样解决？
05-11
Keras Tuner 是一种用于自动化超参数调整的工具，它可以通过搜索算法自动选择最佳的超参数组合。但是，它并不是万能的，有时候它的效果可能会不够理想。以下是几个可能导致 Keras Tuner 调参效果不好的原因： 1. 数据集太小：如果数据集太小，Keras Tuner 很难找到最佳的超参数组合，因为这些组合可能只适用于特定的数据集。 2. 超参数空间不合适：如果超参数的范围过于狭窄或者过于宽泛，Keras Tuner 就无法找到最佳的超参数组合。 3. 搜索算法不合适：Keras Tuner 提供了多种搜索算法，包括随机搜索、贝叶斯优化和网格搜索等，但不同的搜索算法适用于不同的问题。 如果您遇到了 Keras Tuner 调参效果不好的情况，可以尝试以下方法： 1. 增加数据集大小：尽可能使用更大的数据集，这可以提高 Keras Tuner 找到最佳超参数组合的准确性。 2. 调整超参数空间：根据经验，适当扩大超参数空间可以提高 Keras Tuner 的效果。 3. 更改搜索算法：尝试不同的搜索算法以找到最佳的超参数组合。 4. 调整评估指标：选择适当的评估指标可以帮助 Keras Tuner 找到最佳的超参数组合。 总之，Keras Tuner 是一种非常有用的工具，但是需要合理使用和调整以达到最佳效果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值