使用Optuna进行PyTorch模型的超参数调优

标签：教程 Optuna 模型 PyTorch 调优专栏参数优化

前言 Optuna是一个开源的超参数优化框架，Optuna与框架无关，可以在任何机器学习或深度学习框架中使用它。本文将以表格数据为例，使用Optuna对PyTorch模型进行超参数调优。

本文转载自DeepHub IMBA

仅用于学术分享，若侵权请联系删除

欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。

CV各大方向专栏与各个部署框架最全教程整理

【CV技术指南】CV全栈指导班、基础入门班、论文指导班全面上线!!

Optuna可以使用python pip安装，如pip install Optuna。也可以使用conda install -c conda-forge Optuna，安装基于Anaconda的python发行版。

正如您所看到的，使用基本python语言的几行代码，您可以为任何神经网络创建并执行试验。

OPUTNA有一个简单的基于API的实现，允许用户定义要优化的度量和要调查的超参数空间。只需要调用一个函数来执行优化过程。它支持广泛的优化算法，包括随机搜索、网格搜索和贝叶斯优化。并且它可以支持连续、整数和分类超参数的优化，以及具有复杂依赖关系的超参数。

Oputna的简单介绍

让我们先了解Oputna框架的基本术语，

Trial:-Trial是评估一个目标函数的过程。该对象传递给目标函数，提供获取参数建议、管理试用状态和设置/获取试用自定义属性的接口。

Study:一个Study对应于一个优化任务，即一组试验。该对象提供了运行新试验、访问试验历史、设置/获取研究本身的用户定义属性的接口。

Study中包含了一个重要的create_study方法，它是创建新的Study对象方法重要参数如下：

Objective :目标函数是Optuna优化超参数选择的核心。虽然暴力网格搜索也是寻找最小化目标函数，但它实际上并没有考虑到超参数的哪种组合效果好或不好。
Sampler :是一个采样器对象，实现了值建议的后台算法。如果指定None，则单目标优化时使用TPESampler，多目标优化时使用NSGAIISampler。
Pruner :是一个修剪器对象，决定提前停止没有希望的试验。如果指定None，则使用MedianPruner作为默认值。
Study_name:研究的名称。如果此参数设置为None，则自动生成唯一的名称。
Directions : 多目标优化过程中的方向序列。

Pytorch模型

为了适应Oputna的超参数是搜素，我们需要一个函数来根据不同的参数返回不同的Pytorch模型，大概是这个样子的：

我们几个超参数包括，In_Features ，N_Layers ，DropOut 和N_ouput

而trial 是Oputna传递的Trial 实现。

目标函数

目标函数由我们要优化的超参数组成。在我们的例子中，除了上面的模型的超参数外，还需要优化learning_rate、weight_decay和不同的优化器，所以定义如下：

训练循环

训练循环是Optuna中最重要的组成部分。在下面的例子中，我们对定义目标函数的参数字典进行参数化。

Study

正如我们上面所说的，Optuna研究在数据集中进行了多例试验，我们使用损失函数为RMSE，所以方向是最小化RMSE。在这个中使用TPESampler.Tree-structured估计器。

结果展示

由于数据集非常小，试验在25个循环内结束。以下是细节。下面给出了最佳试验和超参数组合，将RMSE最小化到0.058。

 Study statistics:
  Number of finished trials: 25
  Number of pruned trials: 0
  Number of complete trials: 25
 Best trial: FrozenTrial(number=18, state=TrialState.COMPLETE, values=[0.058233041420927334], datetime_start=datetime.datetime(2023, 5, 21, 5, 9, 43, 683621), datetime_complete=datetime.datetime(2023, 5, 21, 5, 10, 7, 935450), params={'learning_rate': 0.0010084133367699304, 'optimizer': 'Adam', 'weight_decay': 0.00013535005248600755, 'n_layers': 2, 'dropout': 0.2, 'n_units_l0': 7, 'n_units_l1': 6}, user_attrs={}, system_attrs={}, intermediate_values={}, distributions={'learning_rate': FloatDistribution(high=0.01, log=True, low=0.001, step=None), 'optimizer': CategoricalDistribution(choices=('Adam', 'RMSprop', 'SGD')), 'weight_decay': FloatDistribution(high=0.001, log=True, low=0.0001, step=None), 'n_layers': IntDistribution(high=4, log=False, low=2, step=1), 'dropout': FloatDistribution(high=0.5, log=False, low=0.1, step=0.1), 'n_units_l0': IntDistribution(high=8, log=False, low=2, step=1), 'n_units_l1': IntDistribution(high=7, log=False, low=2, step=1)}, trial_id=18, value=None)
  Value: 0.058233041420927334
 Best Trail Params:
    learning_rate: 0.0010084133367699304
    optimizer: Adam
    weight_decay: 0.00013535005248600755
    n_layers: 2
    dropout: 0.2
    n_units_l0: 7
    n_units_l1: 6

我们还可以通过下面的函数进行结果的可视化

optuna.visualization.plot_optimization_history(study)