Emukit 开源项目安装与使用指南

Emukit 开源项目安装与使用指南

emukitA Python-based toolbox of various methods in decision making, uncertainty quantification and statistical emulation: multi-fidelity, experimental design, Bayesian optimisation, Bayesian quadrature, etc. 项目地址:https://gitcode.com/gh_mirrors/em/emukit

目录结构及介绍

在克隆或下载Emukit项目之后,你会看到以下主要目录：

• docs: 此目录包含了Emukit的所有文档和教程资料。
• examples: 包含了Emukit的各种示例代码和案例研究。
• emukit: 这是Emukit的核心代码库，包括了所有工具箱的功能实现。
  • core: 基础组件模块，比如基本的数据类型定义等。
  • experimental_design: 实验设计的相关功能模块。
  • bayesian_optimization: 贝叶斯优化方法的实现。
  • model_based: 模型基础决策支持的各类算法。
  • multifidelity: 多忠诚度模型和策略相关的代码。

启动文件介绍

虽然Emukit作为一个Python库，没有一个明确的“启动”过程，但通常开发者将首先从导入所需模块开始使用它。例如，在Python脚本中你可以这样写：

from emukit.core import ContinuousParameter
from emukit.experimental_design.model_free.random_design import RandomDesign

对于首次尝试Emukit的新手，可以考虑运行位于examples目录中的某个例子脚本来快速熟悉其工作流程。例如：

• examples/bayesian_optimization.ipynb: 展示如何设置并执行贝叶斯优化的例子。
• examples/experimental_design.ipynb : 提供了一个关于实验设计任务的基本演示。

通过查看并运行这些示例脚本，可以更好地理解Emukit的工作原理和模式调用方式。

配置文件介绍

Emukit本身并不依赖于任何复杂的外部配置文件来设定其行为或参数。相反，它的大部分可定制性都体现在函数调用时传入的参数上。

然而，如果你打算长期开发并与该库交互，了解一些关键类如RandomDesign, 或者BayesianOptimizer 的构造函数如何接受不同的选项（比如选择特定的模型或者优化器）是非常有帮助的。

例如，在实例化BayesianOptimizer 类时，你可以指定使用的采样策略以及目标函数，这通常都是通过参数传递完成的：

from emukit.bayesian_optimization.loops import BayesianOptimizationLoop
optimizer = BayesianOptimizationLoop(model=model, space=space)

这里，model 和 space 是预先定义好的，代表了你的数据模型以及搜索空间。

请注意，尽管没有传统意义上的配置文件，但对Emukit的理解应该基于它提供了哪些API接口及其如何被调用来构建和调整决策制定的过程。

emukitA Python-based toolbox of various methods in decision making, uncertainty quantification and statistical emulation: multi-fidelity, experimental design, Bayesian optimisation, Bayesian quadrature, etc. 项目地址:https://gitcode.com/gh_mirrors/em/emukit