优化您的优化

您可以优化PyTorch超参数，例如层数和每个层中的隐藏节点，分三个步骤：

1. 将模型训练与客观的功能和返回精度
2. 建议使用超参数试验对象
3. 创建一个学习对象并执行优化

进口焊炬进口optuna# 1. 定义要最大化的目标函数。定义目标（试验）：# 2. 使用试验对象建议超参数的值。n_layers=试用.sugest_int（'n_lawers'，1，3）层=[]in_features=28*28英寸对于范围内的i（n层）：out_features=试用.sugest_int（f'n_units_l{i}'，4128）layers.append（torch.nn.Linear（in_features，out_feature））layers.append（torch.nn.ReLU（））in_features=输出特性layers.append（torch.nn.Linear（in_features，10））layers.append（torch.nn.LogSoftmax（dim=1））型号=火炬编号。顺序（*层）到（火炬装置（“pu”））。。。返回精度# 3. 创建一个研究对象并优化目标函数。研究=optuna.create_study（direction='maximize'）研究优化（目标，n试验=100）

您可以优化Chainer超参数，例如层数和每个层中的隐藏节点，分三个步骤：

1. 将模型训练与客观的功能和返回精度
2. 建议使用超参数试验对象
3. 创建一个学习对象并执行优化

导入链接器进口optuna# 1. 定义要最大化的目标函数。定义目标（试验）：# 2. 使用试验对象建议超参数的值。n_layers=试用.sugest_int（'n_lawers'，1，3）层=[]对于范围内的i（n层）：n_units=试用.sugest_int（f'n_units_l{i}'，4128，log=真）layers.append（L.Linear（无，n_units））层.附加（F.relu）layers.append（L.Linear（无，10））model=L.分类器（chainer.Sequential（*层））。。。返回精度# 3. 创建研究对象并优化目标函数。研究=optuna.create_study（direction='maximize'）研究.优化（目标，n_trials=100）

您可以优化TensorFlow超参数，例如层数和每个层中的隐藏节点，分三个步骤：

1. 将模型训练与客观的功能和返回精度
2. 建议使用超参数试验对象
3. 创建一个学习对象并执行优化

导入张量流作为tf进口optuna# 1. 定义要最大化的目标函数。def目标（试验）：# 2. 使用试验对象建议超参数的值。n_layers=试用.sugest_int（'n_lawers'，1，3）型号=tf.keras。序列（）model.add（tf.keras.layers.Flatten（））对于范围内的i（n层）：num_hidden=试用.sugest_int（f'n_units_l{i}'，4128，log=True）model.add（tf.keras.layers.Dense（num_hidden，activation='relu'））model.add（tf.keras.layers.Dense（类别））。。。返回精度# 3. 创建研究对象并优化目标函数。研究=optuna.create_study（direction='maximize'）研究优化（目标，n试验=100）

您可以在中优化Keras超参数，例如过滤器数量和内核大小三个步骤：

1. 将模型训练与客观的功能和返回精度
2. 建议使用超参数试验对象
3. 创建一个学习对象并执行优化

进口keras进口optuna# 1. 定义要最大化的目标函数。定义目标（试验）：model=序列（）# 2. 使用试验对象建议超参数的值。模型.添加(Conv2D（filters=trial.sugest_categorical（'filters'，[32，64]），kernel_size=试用.suggest_categorical（'kernel_size'，[3，5]），stemps=试验.sugest_categorical（'strides'，[1,2]），activation=试验建议类别（‘activation’，['relu'，‘linear’]），input_shape=输入形状）model.add（Flatten（））model.add（密度（CLASSES，activation='softmax'））#我们用抽样学习率编译我们的模型。lr=试验.sugest_float（'lr'，1e-5，1e-1，log=True）model.compile（loss='sparse_categorical_crossentropy'，optimizer=RMSprop（lr=lr），metrics=['accuracy']）。。。返回精度# 3. 创建研究对象并优化目标函数。研究=optuna.create_study（direction='maximize'）研究.优化（目标，n_trials=100）

您可以优化MXNet超参数，例如层数和隐藏的每个层中的节点，分三个步骤：

1. 将模型训练与客观的功能和返回精度
2. 建议使用超参数试验对象
3. 创建一个学习对象并执行优化

将mxnet导入为mx进口optuna# 1. 定义要最大化的目标函数。定义目标（试验）：# 2. 使用试验对象建议超参数的值。n_layers=试用.sugest_int（'n_lawers'，1，3）数据=mx.symbol。变量（“数据”）数据=mx.sym.flatten（数据=数据）对于范围内的i（n层）：num_hidden=试用.sugest_int（f'n_units_l{i}'，4128，log=True）数据=mx符号。FullyConnected（数据=数据，num_hidden=num_hudden）数据=mx.symbol。激活（数据=数据，act_type=“relu”）数据=mx.symbol。FullyConnected（数据=数据，num_hidden=10）mlp=mx.symbol。SoftmaxOutput（数据=数据，名称=“softmax”）。。。返回精度# 3. 创建研究对象并优化目标函数。研究=optuna.create_study（direction='maximize'）研究优化（目标，n试验=100）

您可以优化Scikit-Learn超参数，例如C类的参数SVC公司和最大深度（_depth）的RandomForest分类器,在里面三个步骤：

1. 将模型训练与客观的功能和返回精度
2. 使用试验对象
3. 创建一个学习对象并执行优化

导入sklearn进口optuna# 1. 定义要最大化的目标函数。定义目标（试验）：# 2. 使用试验对象建议超参数的值。classifier_name=trial.sugest_categorical（'classifier'，['SVC'，'RandomForest']）如果分类器名称==“SVC”：svc_c=试用.sugest_float（'svc_c'，1e-10，1e10，log=True）分类器obj=sklearn.svm。SVC（C=SVC_C，gamma='auto'）其他：rf_max_depth=试用.sugest_int（'rf_max-depth'，2，32，log=True）classifier_obj=sklearn.ensembly。随机预测分类器（max_depth=rf_max_depth，n_estimators=10）。。。返回精度# 3. 创建研究对象并优化目标函数。研究=optuna.create_study（direction='maximize'）研究优化（目标，n试验=100）

您可以通过三种方式优化XGBoost超参数，例如booster类型和alpha步骤：

1. 将模型训练与客观的功能和返回精度
2. 建议使用超参数试验对象
3. 创建一个学习对象并执行优化

将xgboost导入为xgb导入optuna# 1. 定义要最大化的目标函数。定义目标（试验）：。。。# 2. 使用试验对象建议超参数的值。参数={“静音”：1，“objective”：“binary:logistic”，“booster”：trial.sugest_categorical（“booster“，[“gbtree”，“gblinear”，“dart”]），“lambda”：试用.sugest_float（'lambda’，1e-8，1.0，log=True），“alpha”：试用.sugest_float（'alpha'，1e-8，1.0，log=True）}bst=xgb.列车（参数，列车）。。。返回精度# 3. 创建研究对象并优化目标函数。研究=optuna.create_study（direction='maximize'）研究优化（目标，n试验=100）

您可以优化LightGBM超参数，例如增强类型和叶数，在里面三个步骤：

1. 将模型训练与客观的功能和返回精度
2. 建议使用超参数试验对象
3. 创建一个学习对象并执行优化

将lightgbm导入为lgb进口optuna# 1. 定义要最大化的目标函数。定义目标（试验）：。。。# 2. 使用试验对象建议超参数的值。参数={“objective”：“binary”，“metric”：“binary_logloss”，“详细信息”：-1，'boosting_type'：'gbdt'，“lambda_l1”：试用.sugest_float（'lambda_l1'，1e-8，10.0，log=True），“lambda_l2”：试用.sugest_float（'lambda_ l2'，1e-8，10.0，log=True），“num_leaves”：试用.sugest_int（'num_leves'，225），‘feature_fraction’：试用.sugest_float（‘feature _ fraction'，0.4，1.0），'bagging_fraction'：试用.sugest_float（'bagging _ fraction'，0.4，1.0），'bagging_freq'：试用.sugest_int（'bagging _freq'，1，7），'min_child_samples'：试验.suggest_int（'min_child_samples'，5100），}gbm=lgb.train（参数，dtrain）。。。返回精度# 3. 创建研究对象并优化目标函数。研究=optuna.create_study（direction='maximize'）研究优化（目标，n试验=100）

在Github查看更多示例，包括PyTorch Ignite、Dask-ML和MLFlow存储库。
它还提供以下可视化演示：

从optuna.visualization导入plot_intermediate_values。。。绘图中间值（研究）