Hyperopt中文文檔導讀

在2017年的聖誕節前，我翻譯了有關HyperOpt的中文文檔，這也時填補了空白，以此作為獻給所有中國程序員，以及所有其他機器學習相關行業人員的聖誕禮物。聖誕快樂，各位。

HyperOpt中文文檔導讀

翻譯的文檔已經發布於github,請在我的項目Hyperopt_CN中的wiki查看相應文檔.CSDN,知乎同步更新中.

HyperOpt中文版wiki文檔內容包括以下內容:

• HyperOpt中文文檔導讀,即真正的中文文檔主頁
• Home:主頁
• Cite:引用
• FMin:使用FMin方法
• Installation Notes:安裝說明
• Interfacing With Other Languages:在其他語言中使用Hyperopt
• Parallelizing Evaluations During Search via MongoDB:使用MongoDB進行並行搜索
• Recipes:原文中暫時只有一個給定值區間如何采樣的鏈接
• RelatedWork:相關工作
• Scipy2013

下面是hyperopt的官網首頁,作為對其的簡單介紹

Hyperopt

在Python中進行分布式異步超參數優化

Font Tian translated this article on 22 December 2017

hyperopt 是一個Python庫，可以用來尋找實數,離散值,條件維度等搜索空間的最佳值。

    # define an objective function
    def objective(args):
        case, val = args
        if case == 'case 1':
        return val
        else:
        return val ** 2

    # define a search space
    from hyperopt import hp
    space = hp.choice('a',
        [
        ('case 1', 1 + hp.lognormal('c1', 0, 1)),
        ('case 2', hp.uniform('c2', -10, 10))
        ])

    # minimize the objective over the space
    from hyperopt import fmin, tpe
    best = fmin(objective, space, algo=tpe.suggest, max_evals=100)

    print best
    # -> {'a': 1, 'c2': 0.01420615366247227}
    print hyperopt.space_eval(space, best)
    # -> {'case 2', 0.01420615366247227}

算法

目前兩種算法的實現:

• 隨機搜索
• Tree of Parzen Estimators (TPE)

Hyperopt 設計伊始,是包括基於高斯過程與回歸樹的貝葉斯優化算法的,但是現在這些都還沒有被實現.

同時,Hyperopt所有的算法都可以通過MongoDB進行串行或者並行計算.

安裝

用戶安裝

        pip install hyperopt

開發版安裝

    git clone https://github.com/hyperopt/hyperopt.git
    (cd hyperopt && python setup.py develop)
    (cd hyperopt && nosetests)

更多信息，請參見安裝說明。

文檔

文檔現在托管在wiki上,但這里有一些相關頁面的鏈接:

• 基礎教程
• 安裝筆記
• 使用MongoDB

實例

在wiki中打開Hyperot