scikitoptimize的改进版本DeepHyper的基于模型的顺序优化工具箱。
dh-scikit-optimize的Python项目详细描述
Scikit优化
Scikit Optimize或skopt,是一个简单而高效的库 最小化(非常)昂贵和嘈杂的黑盒函数。它实现了 序列模型优化的几种方法。skopt目标 在许多情况下易于使用。在
这个图书馆是建立在NumPy,SciPy和Scikit Learn的基础上的。在
我们不执行基于梯度的优化。对于基于渐变的 优化算法 scipy.optimizehere。在
gp_minimize50次迭代后的近似目标函数。 使用skopt.plots.plot_objective绘制的绘图。在
重要链接
安装
scikitoptimize的最新发布版本是v0.7.2,您可以安装它 有:
pip install scikit-optimize
这将安装scikit optimize的基本版本。安装scikit optimize 使用打印功能,您可以执行以下操作:
^{pr2}$这将与scikit optimize一起安装matplotlib。在
另外还有一个conda-forge包 scikit优化:
conda install -c conda-forge scikit-optimize
使用conda forge可能是安装scikit optimize的最简单方法 窗户。在
入门
找到范围内噪声函数f(x)的最小值 -2 < x < 2与skopt:
importnumpyasnpfromskoptimportgp_minimizedeff(x):return(np.sin(5*x[0])*(1-np.tanh(x[0]**2))+np.random.randn()*0.1)res=gp_minimize(f,[(-2.0,2.0)])
为了更好地控制优化循环,可以使用skopt.Optimizer 班级:
fromskoptimportOptimizeropt=Optimizer([(-2.0,2.0)])foriinrange(20):suggested=opt.ask()y=f(suggested)opt.tell(suggested,y)print('iteration:',i,suggested,y)
阅读我们的introduction to bayesian optimization 另一个呢 examples。在
开发
这座图书馆仍处于试验阶段,正在大力发展之中。结账 next milestone 关于下一个版本的计划,或者看看easy issues 开始投稿。在
可通过以下方式安装开发版本:
git clone https://github.com/scikit-optimize/scikit-optimize.git cd scikit-optimize pip install -e.
通过在顶层目录中执行pytest,运行所有测试。在
要只运行运行时间较短的测试子集,可以使用pytest -m 'fast_test'(也可以使用pytest -m 'slow_test')。要排除所有运行缓慢的测试,请尝试pytest -m 'not slow_test'。在
这是使用pytestattributes实现的。如果测试运行时间超过1秒,则标记为慢速,否则标记为快速。在
欢迎所有投稿人!在
释放
释放过程几乎完全自动化。通过标记新版本 travis将构建所有必需的包并将它们推送到PyPI。释放 发布并通过以下工作创建新的检查表:
- 更新__init__.py
- 更新自述文件中提到的版本标记
- 检查setup.py中的依赖项是否有效或需要取消固定
- {tt16是最新的支票
- 大师的最后一次建造成功了吗?在
- 创建new release
- ping conda-forge
我们通常在发布一个候选版本之前创建一个候选版本。如果下一个 释放物应标记为RCV0.1 __init__.py。将发布候选标记为“预发布” 当你标记它的时候。在
商业支持
如果您需要商业广告,请随时联系get in touch 支持或愿意赞助开发。向支付资源 经验丰富的工程师和研究人员的额外工作。在
- 项目
标签: