Optuna：高效易用的超参优化利器

本文转载自：Optuna：高效易用的超参优化利器

Optuna是一个用于超参数优化的Python库，可以帮助我们自动化地选择最优的超参数组合，从而提高机器学习模型的性能。Optuna使用贝叶斯优化算法来搜索超参数空间，可以支持大部分机器学习框架，如TensorFlow、PyTorch、scikit-learn等。Optuna是一个非常易于使用的Python库，具有以下功能：

1. 轻量级、多功能和跨平台架构：Optuna的依赖较少，安装简单，可以在不同的平台上运行，并且可以处理各种不同的任务。
2. Python式的搜索空间：Optuna使用熟悉的Python语法，如条件语句和循环，来定义搜索空间。这使得用户可以更方便地定义超参数的搜索范围，并且更容易理解和调整搜索空间。
3. 高效的优化算法：Optuna采用最先进的超参数采样算法和最有效的对无望trial进行剪枝的算法，能够更快地找到最优解，并且避免了浪费资源在无效的试验上。
4. 易用的并行优化：Optuna可以很容易地扩展到多个worker上进行并行优化，帮助用户更快地完成超参数搜索，并且可以根据需要增加或减少worker数量。
5. 便捷的可视化：Optuna提供了可视化工具，如查询优化记录、绘制学习曲线等，可以帮助用户更好地理解试验结果和选择最优的超参数组合。

1. 安装Optuna

Optuna 可以通过 pip 进行安装，要求Python版本大于等3.7 或更新版本。

# 安装optuna
pip install optuna

# 安装optuna可视化仪表板
pip install optuna-dashboard

2. Optuna的原理

Optuna的核心是Trial对象，代表了一次超参数组合的试验。Optuna根据已有的试验结果，自动选择下一组超参数组合进行试验，并逐渐收敛于最优解。使用Optuna进行超参数优化的基本步骤如下：

1. 定义搜索空间：定义超参数的搜索空间，可以使用Optuna提供的分布函数来定义超参数的取值范围。
2. 定义目标函数：目标函数是需要优化的模型，可以是任何可调用对象，如Python函数、类方法等。目标函数的输入是超参数的值，输出是模型的性能指标。
3. 创建Optuna试验：创建Optuna试验对象，并指定目标函数和搜索算法。
4. 运行Optuna试验：运行Optuna试验，进行超参数搜索。在每次试验结束后，Optuna会更新超参数的取值，并记录当前试验的性能指标。可以设置尝试的次数或时间，来控制搜索空间的大小和搜索时间的限制。
5. 分析试验结果：在试验结束后，可以使用Optuna提供的可视化工具来分析试验结果，并选择最优的超参数组合。

下面示例展示了使用Optuna优化一个预定义的目标函数的示例：

import optuna

# 定义objective要优化的函数，最小化目标函数(x - 2)^2
def objective(trial):
    # 定义超参数的搜索空间，x的空间是-10到10之间的浮点数
    x = trial.suggest_float('x', -10, 10)
    return (x - 2) ** 2

# 创建一个study对象并调用该optimize方法超过 100 次试验
study = optuna.create_study()
study.optimize(objective, n_trials=100)
# 输出搜索出的最佳参数
print(study.best_params)

3. Optuna使用示例

下面是一个示例代码，用于在scikit-learn的SVM模型中使用Optuna进行超参数优化：

import optuna
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC

# 加载鸢尾花数据集
iris = datasets.load_iris()
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2)

# 定义目标函数
def objective(trial):
    # 定义搜索空间
    C = trial.suggest_loguniform('C', 1e-5, 1e5)
    gamma = trial.suggest_loguniform('gamma', 1e-5, 1e5)

    # 训练SVM模型
    clf = SVC(C=C, gamma=gamma)
    clf.fit(X_train, y_train)

    # 评估模型性能
    score = clf.score(X_test, y_test)

    return score

# 创建Optuna study
study = optuna.create_study(direction='maximize')

# 运行Optuna搜索
study.optimize(objective, n_trials=100)

# 打印最佳超参数和得分
print('Best hyperparameters: ', study.best_params)
print('Best score: ', study.best_value)

还可以使用Optuna优化pytorch模型的超参数，例如层数和每层中的隐藏节点数：

import torch
import optuna

# 1. 定义目标函数，用于最大化
def objective(trial):

    # 2. 使用trial对象建议超参数取值
    n_layers = trial.suggest_int('n_layers', 1, 3)
    layers = []

    in_features = 28 * 28
    for i in range(n_layers):
        out_features = trial.suggest_int(f'n_units_l{i}', 4, 128)
        layers.append(torch.nn.Linear(in_features, out_features))
        layers.append(torch.nn.ReLU())
        in_features = out_features
    layers.append(torch.nn.Linear(in_features, 10))
    layers.append(torch.nn.LogSoftmax(dim=1))
    model = torch.nn.Sequential(*layers).to(torch.device('cpu'))

    # 3. 训练模型并计算准确率
    optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
    criterion = torch.nn.CrossEntropyLoss()
    for epoch in range(10):
        for batch_idx, (data, target) in enumerate(train_loader):
            optimizer.zero_grad()
            output = model(data)
            loss = criterion(output, target)
            loss.backward()
            optimizer.step()
    accuracy = test(model, test_loader)

    return accuracy

# 4. 创建Optuna study对象并运行超参数搜索
study = optuna.create_study(direction='maximize')
study.optimize(objective, n_trials=100)

4. 丰富的可视化功能

Optuna Dashboard为 Optuna 提供了实时 Web 仪表板功能。通过Optuna Dashboard可以查看优化历史记录、超参数重要性等。

Optuna还支持以时间线图的方式可视化了每个试验的进度（状态、开始时间和结束时间）。在此图中，水平轴表示时间，试验沿垂直方向绘制。每个试验表示为一个水平条，从试验开始到结束绘制。通过此图，您可以快速了解优化实验的整体进展情况，例如并行优化是否正在适当进行，或是否有试验花费异常长的时间。

Optuna还支持使用plot_rank函数来可视化参数和目标值之间的关系。如下图，垂直和水平轴表示参数值，每个点表示单个试验，可以根据点的颜色来确定排名。plot_rank可视化针对异常值具有鲁棒性，因为它忽略目标值本身，并专注于参数之间的排名。