超参数调优框架optuna（可配合pytorch）

目录

前言

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 optuna
defobj(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)

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 torch
from torch import nn, optim
from torch.utils.data import DataLoader
from torch.autograd import Variable  # 获取变量import optuna

deftrain(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 inrange(num_epoches):# 训练模式
        model.train()for i, data inenumerate(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MAEprint('Test MAE = ', resloss)return resloss

defobjective(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 loss

if __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()