如何在optuna中采样参数而不重复

Question

我正在使用optuna对我的自定义模型进行参数优化。

有没有任何方法可以对参数进行采样，直到之前没有测试当前参数集？我的意思是，如果过去有一些试验使用相同的参数集，请尝试对另一个参数进行采样。

在某些情况下，这是不可能的，例如，当存在类别分布并且n_trials大于可能的唯一采样值的数目时。

我想要的是：有一些像num_attempts这样的配置参数，以便在for循环中采样高达num_attempts的参数，直到有一个以前没有测试过的集合，否则-在最后一个采样的集合上运行试用。

为什么我需要这个：只是因为在相同的参数下多次运行重型模型的成本太高。

我现在要做的是：只做这个"for loop"的东西，但它很乱。

如果有另一种聪明的方法可以做到这一点，我们将非常感谢提供的信息。

谢谢！

Answer 1

据我所知，目前还没有直接的方法来处理您的案件。作为一种变通方法，您可以检查参数重复并跳过评估，如下所示：

import optuna
def objective(trial: optuna.Trial):
# Sample parameters.
x = trial.suggest_int('x', 0, 10)
y = trial.suggest_categorical('y', [-10, -5, 0, 5, 10])
# Check duplication and skip if it's detected.
for t in trial.study.trials:
if t.state != optuna.structs.TrialState.COMPLETE:
continue
if t.params == trial.params:
return t.value  # Return the previous value without re-evaluating it.
# # Note that if duplicate parameter sets are suggested too frequently,
# # you can use the pruning mechanism of Optuna to mitigate the problem.
# # By raising `TrialPruned` instead of just returning the previous value,
# # the sampler is more likely to avoid sampling the parameters in the succeeding trials.
#
# raise optuna.structs.TrialPruned('Duplicate parameter set')
# Evaluate parameters.
return x + y
# Start study.
study = optuna.create_study()
unique_trials = 20
while unique_trials > len(set(str(t.params) for t in study.trials)):
study.optimize(objective, n_trials=1)

Answer 2

要修改@sile的代码注释，您可以编写一个修剪器，例如：

from optuna.pruners import BasePruner
from optuna.structs import TrialState
class RepeatPruner(BasePruner):
def prune(self, study, trial):
# type: (Study, FrozenTrial) -> bool
trials = study.get_trials(deepcopy=False)

numbers=np.array([t.number for t in trials])
bool_params= np.array([trial.params==t.params for t in trials]).astype(bool)
#Don´t evaluate function if another with same params has been/is being evaluated before this one
if np.sum(bool_params)>1:
if trial.number>np.min(numbers[bool_params]):
return True
return False

然后将修剪器调用为：

study = optuna.create_study(study_name=study_name, storage=storage, load_if_exists=True, pruner=RepeatPruner())