hyperparameter_hunter
v3.0.0 (Artemis)
Автоматически сохранять и учиться на результатах эксперимента, что приводит к долгосрочной, постоянной оптимизации, которая запоминает все ваши тесты.
HyperparameterHunter предоставляет обертку для алгоритмов машинного обучения, которая экономит все важные данные. Упростите процесс настройки экспериментов и гиперпараметрической настройки, позволив гиперпараметрическому тунтеру выполнять усердную работу по записи, организации и обучению из ваших тестов - при этом используя те же библиотеки, которые вы уже делаете. Не позволяйте ни одного из ваших экспериментов проходить трату и начинайте делать оптимизацию гиперпараметрии такими, какими она должна была быть.
pip install hyperparameter-hunterНе думайте о HyperparameterHunter как о еще одной библиотеке оптимизации, которую вы выявляете только тогда, когда пришло время выполнять оптимизацию гиперпараметрии. Конечно, он делает оптимизацию, но лучше рассматривать гиперпараметтер -тунтер как ваш инструмент/помощник по собственному машинному обучению.
Идея состоит в том, чтобы сразу же начать использовать HyperparameterHunter. Запустите все свои контрольные/одноразовые эксперименты через это.
Чем больше вы используете HyperparameterHunter, тем лучше будут ваши результаты. Если вы просто используете его для оптимизации, конечно, он сделает то, что вы хотите, но в этом не хватает точки гиперпараметрического тунтера.
Если вы использовали его для экспериментов и оптимизации на протяжении всего курса вашего проекта, то, когда вы решаете выполнять оптимизацию гиперпараметра, HyperparameterHunter уже знает обо всем, что вы сделали, и именно тогда HyperparameterHunter делает что -то замечательное. Он не начинает оптимизировать с нуля, как другие библиотеки. Он начинается со всех экспериментов и предыдущих раундов оптимизации, которые вы уже проходили через него.
Установите среду для организации экспериментов и результатов оптимизации.
Любые эксперименты или раунды оптимизации, которые мы выполняем, будут использовать нашу активную среду.
from hyperparameter_hunter import Environment , CVExperiment
import pandas as pd
from sklearn . datasets import load_breast_cancer
from sklearn . model_selection import StratifiedKFold
data = load_breast_cancer ()
df = pd . DataFrame ( data = data . data , columns = data . feature_names )
df [ 'target' ] = data . target
env = Environment (
train_dataset = df , # Add holdout/test dataframes, too
results_path = 'path/to/results/directory' , # Where your result files will go
metrics = [ 'roc_auc_score' ], # Callables, or strings referring to `sklearn.metrics`
cv_type = StratifiedKFold , # Class, or string in `sklearn.model_selection`
cv_params = dict ( n_splits = 5 , shuffle = True , random_state = 32 )
)Выполните эксперименты с вашими любимыми библиотеками, просто предоставив модельные инициализаторы и гиперпараметры
# Same format used by `keras.wrappers.scikit_learn`. Nothing new to learn
def build_fn ( input_shape ): # `input_shape` calculated for you
model = Sequential ([
Dense ( 100 , kernel_initializer = 'uniform' , input_shape = input_shape , activation = 'relu' ),
Dropout ( 0.5 ),
Dense ( 1 , kernel_initializer = 'uniform' , activation = 'sigmoid' )
]) # All layer arguments saved (whether explicit or Keras default) for future use
model . compile ( optimizer = 'adam' , loss = 'binary_crossentropy' , metrics = [ 'accuracy' ])
return model
experiment = CVExperiment (
model_initializer = KerasClassifier ,
model_init_params = build_fn , # We interpret your build_fn to save hyperparameters in a useful, readable format
model_extra_params = dict (
callbacks = [ ReduceLROnPlateau ( patience = 5 )], # Use Keras callbacks
batch_size = 32 , epochs = 10 , verbose = 0 # Fit/predict arguments
)
) experiment = CVExperiment (
model_initializer = LinearSVC , # (Or any of the dozens of other SK-Learn algorithms)
model_init_params = dict ( penalty = 'l1' , C = 0.9 ) # Default values used and recorded for kwargs not given
) experiment = CVExperiment (
model_initializer = XGBClassifier ,
model_init_params = dict ( objective = 'reg:linear' , max_depth = 3 , n_estimators = 100 , subsample = 0.5 )
) experiment = CVExperiment (
model_initializer = LGBMClassifier ,
model_init_params = dict ( boosting_type = 'gbdt' , num_leaves = 31 , max_depth = - 1 , min_child_samples = 5 , subsample = 0.5 )
) experiment = CVExperiment (
model_initializer = CatboostClassifier ,
model_init_params = dict ( iterations = 500 , learning_rate = 0.01 , depth = 7 , allow_writing_files = False ),
model_extra_params = dict ( fit = dict ( verbose = True )) # Send kwargs to `fit` and other extra methods
) experiment = CVExperiment (
model_initializer = RGFClassifier ,
model_init_params = dict ( max_leaf = 1000 , algorithm = 'RGF' , min_samples_leaf = 10 )
)Так же, как эксперименты, но если вы хотите оптимизировать гиперпараметр, используйте классы, импортированные ниже
from hyperparameter_hunter import Real , Integer , Categorical
from hyperparameter_hunter import optimization as opt def build_fn ( input_shape ):
model = Sequential ([
Dense ( Integer ( 50 , 150 ), input_shape = input_shape , activation = 'relu' ),
Dropout ( Real ( 0.2 , 0.7 )),
Dense ( 1 , activation = Categorical ([ 'sigmoid' , 'softmax' ]))
])
model . compile (
optimizer = Categorical ([ 'adam' , 'rmsprop' , 'sgd' , 'adadelta' ]),
loss = 'binary_crossentropy' , metrics = [ 'accuracy' ]
)
return model
optimizer = opt . RandomForestOptPro ( iterations = 7 )
optimizer . forge_experiment (
model_initializer = KerasClassifier ,
model_init_params = build_fn ,
model_extra_params = dict (
callbacks = [ ReduceLROnPlateau ( patience = Integer ( 5 , 10 ))],
batch_size = Categorical ([ 32 , 64 ]),
epochs = 10 , verbose = 0
)
)
optimizer . go () optimizer = opt . DummyOptPro ( iterations = 42 )
optimizer . forge_experiment (
model_initializer = AdaBoostClassifier , # (Or any of the dozens of other SKLearn algorithms)
model_init_params = dict (
n_estimators = Integer ( 75 , 150 ),
learning_rate = Real ( 0.8 , 1.3 ),
algorithm = 'SAMME.R'
)
)
optimizer . go () optimizer = opt . BayesianOptPro ( iterations = 10 )
optimizer . forge_experiment (
model_initializer = XGBClassifier ,
model_init_params = dict (
max_depth = Integer ( low = 2 , high = 20 ),
learning_rate = Real ( 0.0001 , 0.5 ),
n_estimators = 200 ,
subsample = 0.5 ,
booster = Categorical ([ 'gbtree' , 'gblinear' , 'dart' ]),
)
)
optimizer . go () optimizer = opt . BayesianOptPro ( iterations = 100 )
optimizer . forge_experiment (
model_initializer = LGBMClassifier ,
model_init_params = dict (
boosting_type = Categorical ([ 'gbdt' , 'dart' ]),
num_leaves = Integer ( 5 , 20 ),
max_depth = - 1 ,
min_child_samples = 5 ,
subsample = 0.5
)
)
optimizer . go () optimizer = opt . GradientBoostedRegressionTreeOptPro ( iterations = 32 )
optimizer . forge_experiment (
model_initializer = CatBoostClassifier ,
model_init_params = dict (
iterations = 100 ,
eval_metric = Categorical ([ 'Logloss' , 'Accuracy' , 'AUC' ]),
learning_rate = Real ( low = 0.0001 , high = 0.5 ),
depth = Integer ( 4 , 7 ),
allow_writing_files = False
)
)
optimizer . go () optimizer = opt . ExtraTreesOptPro ( iterations = 10 )
optimizer . forge_experiment (
model_initializer = RGFClassifier ,
model_init_params = dict (
max_leaf = 1000 ,
algorithm = Categorical ([ 'RGF' , 'RGF_Opt' , 'RGF_Sib' ]),
l2 = Real ( 0.01 , 0.3 ),
normalize = Categorical ([ True , False ]),
learning_rate = Real ( 0.3 , 0.7 ),
loss = Categorical ([ 'LS' , 'Expo' , 'Log' , 'Abs' ])
)
)
optimizer . go () Это простая иллюстрация структуры файла, которую вы можете ожидать, что ваш Experiment будет сгенерировать. Для подробного описания структуры каталога и содержимого различных файлов см. В разделе обзор структуры файла в документации. Тем не менее, основы следующие:
Experiment добавляет файл в каждую гиперпараметровую синтероунтеры/эксперименты подкаканитор, названный в experiment_idExperiment также добавляет запись в HyperparameterHunterassets/Leaderbests/Globalleaderboard.csvfile_blacklist Environment и do_full_save kwargs (задокументировано здесь) HyperparameterHunterAssets
| Heartbeat.log
|
└───Experiments
| |
| └───Descriptions
| | | <Files describing Experiment results, conditions, etc.>.json
| |
| └───Predictions<OOF/Holdout/Test>
| | | <Files containing Experiment predictions for the indicated dataset>.csv
| |
| └───Heartbeats
| | | <Files containing the log produced by the Experiment>.log
| |
| └───ScriptBackups
| | <Files containing a copy of the script that created the Experiment>.py
|
└───Leaderboards
| | GlobalLeaderboard.csv
| | <Other leaderboards>.csv
|
└───TestedKeys
| | <Files named by Environment key, containing hyperparameter keys>.json
|
└───KeyAttributeLookup
| <Files linking complex objects used in Experiments to their hashes>
pip install hyperparameter-hunter
Если вам нравится быть на передовой, и вы хотите все последние разработки, запустите:
pip install git+https://github.com/HunterMcGushion/hyperparameter_hunter.git
Если вы хотите внести свой вклад в HyperparameterHunter, начните здесь.
Это нормально. Не чувствую себя плохо. Немного странно обернуть голову. Вот пример, который показывает, как все связано:
from hyperparameter_hunter import Environment , CVExperiment , BayesianOptPro , Integer
from hyperparameter_hunter . utils . learning_utils import get_breast_cancer_data
from xgboost import XGBClassifier
# Start by creating an `Environment` - This is where you define how Experiments (and optimization) will be conducted
env = Environment (
train_dataset = get_breast_cancer_data ( target = 'target' ),
results_path = 'HyperparameterHunterAssets' ,
metrics = [ 'roc_auc_score' ],
cv_type = 'StratifiedKFold' ,
cv_params = dict ( n_splits = 10 , shuffle = True , random_state = 32 ),
)
# Now, conduct an `Experiment`
# This tells HyperparameterHunter to use the settings in the active `Environment` to train a model with these hyperparameters
experiment = CVExperiment (
model_initializer = XGBClassifier ,
model_init_params = dict (
objective = 'reg:linear' ,
max_depth = 3
)
)
# That's it. No annoying boilerplate code to fit models and record results
# Now, the `Environment`'s `results_path` directory will contain new files describing the Experiment just conducted
# Time for the fun part. We'll set up some hyperparameter optimization by first defining the `OptPro` (Optimization Protocol) we want
optimizer = BayesianOptPro ( verbose = 1 )
# Now we're going to say which hyperparameters we want to optimize.
# Notice how this looks just like our `experiment` above
optimizer . forge_experiment (
model_initializer = XGBClassifier ,
model_init_params = dict (
objective = 'reg:linear' , # We're setting this as a constant guideline - Not one to optimize
max_depth = Integer ( 2 , 10 ) # Instead of using an int like the `experiment` above, we provide a space to search
)
)
# Notice that our range for `max_depth` includes the `max_depth=3` value we used in our `experiment` earlier
optimizer . go () # Now, we go
assert experiment . experiment_id in [ _ [ 2 ] for _ in optimizer . similar_experiments ]
# Here we're verifying that the `experiment` we conducted first was found by `optimizer` and used as learning material
# You can also see via the console that we found `experiment`'s saved files, and used it to start optimization
last_experiment_id = optimizer . current_experiment . experiment_id
# Let's save the id of the experiment that was just conducted by `optimizer`
optimizer . go () # Now, we'll start up `optimizer` again...
# And we can see that this second optimization round learned from both our first `experiment` and our first optimization round
assert experiment . experiment_id in [ _ [ 2 ] for _ in optimizer . similar_experiments ]
assert last_experiment_id in [ _ [ 2 ] for _ in optimizer . similar_experiments ]
# It even did all this without us having to tell it what experiments to learn from
# Now think about how much better your hyperparameter optimization will be when it learns from:
# - All your past experiments, and
# - All your past optimization rounds
# And the best part: HyperparameterHunter figures out which experiments are compatible all on its own
# You don't have to worry about telling it that KFold=5 is different from KFold=10,
# Or that max_depth=12 is outside of max_depth=Integer(2, 10) Это некоторые вещи, которые могут "Getcha"
OptPro ?CVExperiment , прежде чем инициализация вашего OptProExperiment вписывается в пространство поиска, определяемое вашим OptPro , оптимизатор будет найти и читать в результатах ExperimentExperiment после того, как вы сделали это один раз, так как результаты были сохранены. Оставить его там, просто снова и снова проведет тот же ExperimentActivation и обеспечением Dense слоя с activation KwargDense(10, activation='sigmoid')Dense(10); Activation('sigmoid')Activation , либо предоставьте activation Kwargs для других слоев, и придерживайтесь его!optimizer optimizer_params оптимизировать аргументы model.compile .optimizers Керас ожидают разных аргументовoptimizer=Categorical(['adam', 'rmsprop']) , существуют два разных возможных дабах optimizer_paramsoptimizer и optimizer_params отдельноoptimizer_params . Таким образом, каждый optimizer будет использовать свои параметры по умолчаниюoptimizer был лучшим, и установить optimizer=<best optimizer> , затем перейдите к настройке optimizer_params , с аргументами, специфичными для выбранного вами optimizer__init__ Методы, определены где -то еще, и дают значения заполнителей None в их подписях.None является, если вы не даете явно значение для этого аргумента
