電子發(fā)燒友App
創(chuàng)作
發(fā)文章
發(fā)帖 
提問(wèn) 
發(fā)資料
發(fā)視頻
在我們深入研究該方法之前，我們將首先討論一個(gè)基本的代碼結(jié)構(gòu)，它使我們能夠有效地實(shí)現(xiàn)各種 HPO 算法。一般來(lái)說(shuō)，這里考慮的所有 HPO 算法都需要實(shí)現(xiàn)兩個(gè)決策原語(yǔ)，即搜索和調(diào)度。首先，他們需要對(duì)新的超參數(shù)配置進(jìn)行采樣，這通常涉及對(duì)配置空間的某種搜索。其次，對(duì)于每個(gè)配置，HPO 算法需要安排其評(píng)估并決定為其分配多少資源。一旦我們開(kāi)始評(píng)估配置，我們就會(huì)將其稱(chēng)為試用。我們將這些決定映射到兩個(gè)類(lèi)，HPOSearcher和 HPOScheduler。除此之外，我們還提供HPOTuner執(zhí)行優(yōu)化過(guò)程的類(lèi)。
這種調(diào)度器和搜索器的概念也在流行的 HPO 庫(kù)中實(shí)現(xiàn)，例如 Syne Tune （Salinas等人，2022 年）、Ray Tune （Liaw等人，2018 年）或 Optuna （Akiba等人，2019 年）。
import time
from scipy import stats
from d2l import torch as d2l
19.2.1。搜尋器
下面我們定義一個(gè)搜索器的基類(lèi)，通過(guò)函數(shù)提供一個(gè)新的候選配置sample_configuration。實(shí)現(xiàn)此功能的一種簡(jiǎn)單方法是隨機(jī)對(duì)配置進(jìn)行統(tǒng)一采樣，就像我們?cè)?第 19.1 節(jié)中對(duì)隨機(jī)搜索所做的那樣。更復(fù)雜的算法，例如貝葉斯優(yōu)化，將根據(jù)先前試驗(yàn)的表現(xiàn)做出這些決定。因此，隨著時(shí)間的推移，這些算法能夠?qū)Ω邢Ｍ暮蜻x人進(jìn)行抽樣。我們添加該update 功能是為了更新以前試驗(yàn)的歷史，然后可以利用它來(lái)改進(jìn)我們的抽樣分布。
以下代碼顯示了如何在此 API 中實(shí)現(xiàn)我們上一節(jié)中的隨機(jī)搜索優(yōu)化器。作為一個(gè)輕微的擴(kuò)展，我們?cè)试S用戶(hù)通過(guò) 指定要評(píng)估的第一個(gè)配置 initial_config，而隨后的配置是隨機(jī)抽取的。
class RandomSearcher(HPOSearcher): #@save
def __init__(self, config_space: dict, initial_config=None):
self.save_hyperparameters()
def sample_configuration(self) -> dict:
if self.initial_config is not None:
result = self.initial_config
self.initial_config = None
else:
result = {
name: domain.rvs()
for name, domain in self.config_space.items()
}
return result
19.2.2。調(diào)度程序
除了新試驗(yàn)的采樣配置外，我們還需要決定何時(shí)進(jìn)行試驗(yàn)以及進(jìn)行多長(zhǎng)時(shí)間。實(shí)際上，所有這些決定都是由 完成的HPOScheduler，它將新配置的選擇委托給HPOSearcher. suggest只要某些訓(xùn)練資源可用，就會(huì)調(diào)用該方法。除了調(diào)用sample_configuration搜索器之外，它還可以決定諸如max_epochs（即訓(xùn)練模型的時(shí)間）之類(lèi)的參數(shù)。update每當(dāng)試驗(yàn)返回新觀察時(shí)調(diào)用該方法。
要實(shí)現(xiàn)隨機(jī)搜索以及其他 HPO 算法，我們只需要一個(gè)基本的調(diào)度程序，它可以在每次新資源可用時(shí)調(diào)度新的配置。
class BasicScheduler(HPOScheduler): #@save
def __init__(self, searcher: HPOSearcher):
self.save_hyperparameters()
def suggest(self) -> dict:
return self.searcher.sample_configuration()
def update(self, config: dict, error: float, info=None):
self.searcher.update(config, error, additional_info=info)
19.2.3。調(diào)諧器
最后，我們需要一個(gè)組件來(lái)運(yùn)行調(diào)度器/搜索器并對(duì)結(jié)果進(jìn)行一些簿記。下面的代碼實(shí)現(xiàn)了 HPO 試驗(yàn)的順序執(zhí)行，在下一個(gè)訓(xùn)練作業(yè)之后評(píng)估一個(gè)訓(xùn)練作業(yè)，并將作為一個(gè)基本示例。我們稍后將使用 Syne Tune來(lái)處理更具可擴(kuò)展性的分布式 HPO 案例。
class HPOTuner(d2l.HyperParameters): #@save
def __init__(self, scheduler: HPOScheduler, objective: callable):
self.save_hyperparameters()
# Bookeeping results for plotting
self.incumbent = None
self.incumbent_error = None
self.incumbent_trajectory = []
self.cumulative_runtime = []
self.current_runtime = 0
self.records = []
def run(self, number_of_trials):
for i in range(number_of_trials):
start_time = time.time()
config = self.scheduler.suggest()
print(f"Trial {i}: config = {config}")
error = self.objective(**config)
error = float(error.cpu().detach().numpy())
self.scheduler.update(config, error)
runtime = time.time() - start_time
self.bookkeeping(config, error, runtime)
print(f" error = {error}, runtime = {runtime}")
19.2.4。簿記 HPO 算法的性能
對(duì)于任何 HPO 算法，我們最感興趣的是性能最佳的配置（稱(chēng)為incumbent）及其在給定掛鐘時(shí)間后的驗(yàn)證錯(cuò)誤。這就是我們跟蹤runtime每次迭代的原因，其中包括運(yùn)行評(píng)估的時(shí)間（調(diào)用 objective）和做出決策的時(shí)間（調(diào)用 scheduler.suggest）。在續(xù)集中，我們將繪制 cumulative_runtimeagainstincumbent_trajectory以可視化根據(jù)( 和) 定義的 HPO 算法的任何時(shí)間性能。這使我們不僅可以量化優(yōu)化器找到的配置的工作情況，還可以量化優(yōu)化器找到它的速度。schedulersearcher
@d2l.add_to_class(HPOTuner) #@save
def bookkeeping(self, config: dict, error: float, runtime: float):
self.records.append({"config": config, "error": error, "runtime": runtime})
# Check if the last hyperparameter configuration performs better
# than the incumbent
if self.incumbent is None or self.incumbent_error > error:
self.incumbent = config
self.incumbent_error = error
# Add current best observed performance to the optimization trajectory
self.incumbent_trajectory.append(self.incumbent_error)
# Update runtime
self.current_runtime += runtime
self.cumulative_runtime.append(self.current_runtime)
19.2.5。示例：優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的超參數(shù)
我們現(xiàn)在使用隨機(jī)搜索的新實(shí)現(xiàn)來(lái)優(yōu)化 第 7.6 節(jié)中卷積神經(jīng)網(wǎng)絡(luò)的批量大小和學(xué)習(xí)率。我們通過(guò)定義目標(biāo)函數(shù)，這將再次成為驗(yàn)證錯(cuò)誤。LeNet
def hpo_objective_lenet(learning_rate, batch_size, max_epochs=10): #@save
model = d2l.LeNet(lr=learning_rate, num_classes=10)
trainer = d2l.HPOTrainer(max_epochs=max_epochs, num_gpus=1)
data = d2l.FashionMNIST(batch_size=batch_size)
model.apply_init([next(iter(data.get_dataloader(True)))[0]], d2l.init_cnn)
trainer.fit(model=model, data=data)
validation_error = trainer.validation_error()
return validation_error
我們還需要定義配置空間。此外，要評(píng)估的第一個(gè)配置是 第 7.6 節(jié)中使用的默認(rèn)設(shè)置。
現(xiàn)在我們可以開(kāi)始隨機(jī)搜索了：
error = 0.17130666971206665, runtime = 125.33143877983093
下面我們繪制了現(xiàn)任者的優(yōu)化軌跡，以獲得隨機(jī)搜索的任何時(shí)間性能：
19.2.6. 比較 HPO 算法
正如訓(xùn)練算法或模型架構(gòu)一樣，了解如何最好地比較不同的 HPO 算法非常重要。每次 HPO 運(yùn)行取決于隨機(jī)性的兩個(gè)主要來(lái)源：訓(xùn)練過(guò)程的隨機(jī)效應(yīng)，例如隨機(jī)權(quán)重初始化或小批量排序，以及 HPO 算法本身的內(nèi)在隨機(jī)性，例如隨機(jī)搜索的隨機(jī)抽樣。因此，在比較不同的算法時(shí)，至關(guān)重要的是多次運(yùn)行每個(gè)實(shí)驗(yàn)并報(bào)告基于隨機(jī)數(shù)生成器的不同種子的算法多次重復(fù)的總體統(tǒng)計(jì)數(shù)據(jù)，例如平均值或中值。
為了說(shuō)明這一點(diǎn)，我們比較隨機(jī)搜索（參見(jiàn)第 19.1.2 節(jié)）和貝葉斯優(yōu)化（Snoek等人，2012 年）在調(diào)整前饋神經(jīng)網(wǎng)絡(luò)的超參數(shù)方面的作用。每個(gè)算法都經(jīng)過(guò)評(píng)估
上傳資料賺積分
工商網(wǎng)監(jiān)
評(píng)論