Hyperopt 中的 qloguniform 搜索空间设置问题

Question

我正在使用 hyperopt 来调整我的 ML 模型，但在使用 qloguniform 作为搜索空间时遇到了麻烦。我给出了来自official wiki 的示例并更改了搜索空间。

import pickle
import time
#utf8
import pandas as pd
import numpy as np
from hyperopt import fmin, tpe, hp, STATUS_OK, Trials

def objective(x):
    return {
        'loss': x ** 2,
        'status': STATUS_OK,
        # -- store other results like this
        'eval_time': time.time(),
        'other_stuff': {'type': None, 'value': [0, 1, 2]},
        # -- attachments are handled differently
        'attachments':
            {'time_module': pickle.dumps(time.time)}
        }
trials = Trials()
best = fmin(objective,
    space=hp.qloguniform('x', np.log(0.001), np.log(0.1), np.log(0.001)),
    algo=tpe.suggest,
    max_evals=100,
    trials=trials)
pd.DataFrame(trials.trials)

但出现以下错误。

ValueError: ('负 arg 到 lognormal_cdf', array([-3.45387764, -3.45387764，-3.45387764，-3.45387764，-3.45387764， -3.45387764，-3.45387764，-3.45387764，-3.45387764，-3.45387764， -3.45387764，-3.45387764，-3.45387764，-3.45387764，-3.45387764， -3.45387764，-3.45387764，-3.45387764，-3.45387764，-3.45387764， -3.45387764, -3.45387764, -3.45387764, -3.45387764]))

我尝试过如下不进行日志转换，但输出值为log transformation（例如 1.017,1.0008,1.02456），这是错误的。与文档一致。

hp.qloguniform('x', 0.001,0.1, 0.001)

谢谢

Answer 1

问题似乎在于hp.qloguniform、q 的最后一个参数以及tpe.suggest 如何使用它。

1. 首先让我们讨论一下q。根据文档：

   hp.qloguniform（标签，低，高，q）

   round(exp(uniform(low, high)) / q) * q 
   

   适用于目标所涉及的离散变量 “平滑”并且随着值的大小变得更平滑，但是 应该上下都有界。

   q 这里是"quantizer"，它将定义空间的输出限制为q 的倍数。例如，以下是qloguniform 内部发生的情况：

   from hyperopt import pyll, hp
   n_samples = 10
   
   space = hp.loguniform('x', np.log(0.001), np.log(0.1))
   evaluated = [pyll.stochastic.sample(space) for _ in range(n_samples)]
   # Output: [0.04645754, 0.0083128 , 0.04931957, 0.09468335, 0.00660693,
   #          0.00282584, 0.01877195, 0.02958924, 0.00568617, 0.00102252]
   
   q = 0.005
   qevaluated = np.round(np.array(evaluated)/q) * q
   # Output: [0.045, 0.01 , 0.05 , 0.095, 0.005, 0.005, 0.02 , 0.03 , 0.005, 0.])
   

   在此处比较 evaluated 和 qevaluated。 qevaluated 是 q 的倍数，或者我们说它在 q 的“间隔”（或步骤）中量化。您可以尝试更改 q 值以了解更多信息。

   与生成的样本范围 (0.001 to 0.1) 相比，您在问题中定义的 q 非常大：

   np.log(0.001)
   # Output: -6.907755278982137
   

   所以，这里所有值的输出都是 0。

   q = np.log(0.001)
   qevaluated = np.round(np.array(evaluated)/q) * q
   # Output: [0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]
   

2. 现在来到tpe.suggest（this paper 的第 4 节）：TPE 使用不同估计器的树来优化搜索过程，在此期间它根据空间生成器划分搜索空间（在本例中为 @987654345 @)。有关详细信息，请参阅code here。要将空间分成多个部分，它将使用q。

   但由于您空间中的所有点都是 0.0（如上所述），因此这个负数 q 会为 lognormal_cdf which is not acceptable 生成无效边界，从而导致错误。

长话短说，您对q 的使用不正确。正如您在评论中已经说过的那样：-

另外q值不应该根据round(exp(uniform(low, high)) / q) * q在log uniform/log normal随机抽样中使用

所以您应该只提供对您所需空间有效的q 值。所以在这里，既然要生成0.001 和0.1 之间的值，那么q 的值应该与它们相当。

我同意您在qloguniform 中提供np.log(0.001) 和np.log(0.1)，但这是为了使输出值介于0.001 和0.1 之间。所以不要在q 中使用np.log。 q 应根据生成的值使用。