Expérience

Cette fois

x^2+y^2+z^2

Optimisons le problème de minimisation.

Définition de la fonction objective

Tout d'abord, définissez la fonction objectif.

#Définir la fonction objectif(Cette fois x^2+y^2+z^2)
def objective(trial):
    #Définissez les paramètres pour optimiser
    param = {
        'x': trial.suggest_int('x', -100, 100),
        'y': trial.suggest_int('y', -100, 100),
        'z': trial.suggest_int('z', -100, 100)
    }
    #Renvoie la valeur d'évaluation(Il est conçu pour être minimisé par défaut)
    return param['x'] ** 2 + param['y'] ** 2 + param['z'] ** 2

Exécution de l'optimisation

Commencez par créer un objet d'étude, puis effectuez l'optimisation. Vous pouvez définir le nombre de recherches avec n_trials, qui est un argument d'optimze ().

#création d'objet d'étude
study = optuna.create_study()
#Exécution de l'optimisation
study.optimize(objective, n_trials=500)

Une fois exécuté, l'écran suivant s'affiche. (Extrait)

[I 2019-12-01 23:01:21,564] Finished trial#381 resulted in value: 121.0. Current best value is 4.0 with parameters: {'x': 0, 'y': 0, 'z': 2}.
[I 2019-12-01 23:01:21,705] Finished trial#382 resulted in value: 56.0. Current best value is 4.0 with parameters: {'x': 0, 'y': 0, 'z': 2}.
[I 2019-12-01 23:01:21,866] Finished trial#383 resulted in value: 88.0. Current best value is 4.0 with parameters: {'x': 0, 'y': 0, 'z': 2}.
[I 2019-12-01 23:01:22,012] Finished trial#384 resulted in value: 104.0. Current best value is 4.0 with parameters: {'x': 0, 'y': 0, 'z': 2}.
[I 2019-12-01 23:01:22,170] Finished trial#385 resulted in value: 426.0. Current best value is 4.0 with parameters: {'x': 0, 'y': 0, 'z': 2}.
[I 2019-12-01 23:01:22,361] Finished trial#386 resulted in value: 5249.0. Current best value is 4.0 with parameters: {'x': 0, 'y': 0, 'z': 2}.
[I 2019-12-01 23:01:22,523] Finished trial#387 resulted in value: 165.0. Current best value is 4.0 with parameters: {'x': 0, 'y': 0, 'z': 2}.
[I 2019-12-01 23:01:22,684] Finished trial#388 resulted in value: 84.0. Current best value is 4.0 with parameters: {'x': 0, 'y': 0, 'z': 2}.

Si vous souhaitez voir les paramètres optimisés, ajoutez ce qui suit:

print(study.best_params)

Si vous souhaitez vérifier la valeur de la fonction objectif optimisée, ajoutez ce qui suit.

print(study.best_value)

De plus, si vous souhaitez voir chaque essai, vous pouvez récupérer les informations de study.trials. Vous pouvez afficher le nombre d'essais, de paramètres et de valeurs de fonction objectif avec le code suivant.

for i in study.trials:
    print(i.number, i.params, i.value)

code

Je vais mettre le code utilisé cette fois.

# -*- coding: utf-8 -*-
import optuna
import matplotlib.pyplot as plt

#Définir la fonction objectif(Cette fois x^2+y^2+z^2)
def objective(trial):
    #Définissez les paramètres pour optimiser
    param = {
        'x': trial.suggest_int('x', -100, 100),
        'y': trial.suggest_int('y', -100, 100),
        'z': trial.suggest_int('z', -100, 100)
    }
    #Renvoie la valeur d'évaluation(Il est conçu pour être minimisé par défaut)
    return param['x'] ** 2 + param['y'] ** 2 + param['z'] ** 2

if __name__ == '__main__':
    #création d'objet d'étude
    study = optuna.create_study()
    #Exécution de l'optimisation
    study.optimize(objective, n_trials=500)

    epoches = []    #Pour stocker le nombre d'essais
    values = []    # best_Pour stocker de la valeur
    best = 100000    #Stockez la valeur maximale de manière appropriée
    #faire la meilleure mise à jour
    for i in study.trials:
        if best > i.value:
            best = i.value
        epoches.append(i.number+1)
        values.append(best)
    
    #Paramètres du graphique, etc.
    plt.plot(epoches, values, color="red")
    plt.title("optuna")
    plt.xlabel("trial")
    plt.ylabel("value")
    plt.show()

résultat

Le chiffre du résultat de cette expérience est le suivant. Comme la valeur de best_value était de 3,0, la vraie solution optimale n'a pas été atteinte, mais il a été confirmé qu'elle convergeait à un stade précoce.