Optuna是一個開源的超參數優化框架，Optuna與框架無關，可以在任何機器學習或深度學習框架中使用它。本文將以表格數據為例，使用Optuna對PyTorch模型進行超參數調優。

Optuna可以使用python pip安裝，如pip install Optuna。也可以使用conda install -c conda-forge Optuna，安裝基于Anaconda的python發行版。

正如您所看到的，使用基本python語言的幾行代碼，您可以為任何神經網絡創建并執行試驗。

OPUTNA有一個簡單的基于API的實現，允許用戶定義要優化的度量和要調查的超參數空間。只需要調用一個函數來執行優化過程。它支持廣泛的優化算法，包括隨機搜索、網格搜索和貝葉斯優化。并且它可以支持連續、整數和分類超參數的優化，以及具有復雜依賴關系的超參數。

Oputna的簡單介紹

讓我們先了解Oputna框架的基本術語。

Trial:-Trial是評估一個目標函數的過程。該對象傳遞給目標函數，提供獲取參數建議、管理試用狀態和設置/獲取試用自定義屬性的接口。

Study:一個Study對應于一個優化任務，即一組試驗。該對象提供了運行新試驗、訪問試驗歷史、設置/獲取研究本身的用戶定義屬性的接口。

Study中包含了一個重要的create_study方法，它是創建新的Study對象方法重要參數如下：

• Objective :目標函數是Optuna優化超參數選擇的核心。雖然暴力網格搜索也是尋找最小化目標函數，但它實際上并沒有考慮到超參數的哪種組合效果好或不好。
• Sampler :是一個采樣器對象，實現了值建議的后臺算法。如果指定None，則單目標優化時使用TPESampler，多目標優化時使用NSGAIISampler。
• Pruner :是一個修剪器對象，決定提前停止沒有希望的試驗。如果指定None，則使用MedianPruner作為默認值。
• Study_name:研究的名稱。如果此參數設置為None，則自動生成唯一的名稱。
• Directions : 多目標優化過程中的方向序列。

Pytorch模型

為了適應Oputna的超參數是搜素，我們需要一個函數來根據不同的參數返回不同的Pytorch模型，大概是這個樣子的：

我們幾個超參數包括，In_Features ，N_Layers ，DropOut 和N_ouput

而trial 是Oputna傳遞的Trial 實現。

目標函數

目標函數由我們要優化的超參數組成。在我們的例子中，除了上面的模型的超參數外，還需要優化learning_rate、weight_decay和不同的優化器，所以定義如下：

訓練循環

訓練循環是Optuna中最重要的組成部分。在下面的例子中，我們對定義目標函數的參數字典進行參數化。

Study

正如我們上面所說的，Optuna研究在數據集中進行了多例試驗，我們使用損失函數為RMSE，所以方向是最小化RMSE。在這個中使用TPESampler.Tree-structured估計器。

結果展示

由于數據集非常小，試驗在25個循環內結束。以下是細節。下面給出了最佳試驗和超參數組合，將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={}, distributinotallow={'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

我們還可以通過下面的函數進行結果的可視化

optuna.visualization.plot_optimization_history(study)

optuna.visualization.plot_param_importances(study)

optuna.visualization.plot_slice(study)

optuna.visualization.plot_parallel_coordinate(study)

以上就是使用optuna調優Pytorch模型的全部過程，本文的源代碼在這里，并且有完整的運行結果，如果你想自己調整或者學習，請看這個連接：https://www.kaggle.com/code/averma111/pytorch-ps3e15-optuna