jasminefeng的博客

文章目录0、前言1、实现自定义模型2、在Ax中建立优化问题0、前言本篇译自BoTorch官方文档教程。本教程中，我们将演示如何在Ax的SimpleExperimentAPI中，使用一个自定义的BoTorch模型。这使得我们可以利用Ax的便利性来运行贝叶斯优化的循环过程，同时保证建模过程的灵活性。采集函数和优化采样的策略在许多相同的形式下（in much the same fashion）可以被去掉（can be swapped out）。该教程中提供了一个例子。如果你不想按着模板来或者想动手实现建

文章目录0、前言1、第一个kernel2、添加超参数0、前言本篇基于GPyTorch官方文档教程。本篇中，我们将定制一个kernel。以sinc\mathrm{sinc}sinc kernel为例进行说明。import osimport mathfrom matplotlib import pyplot as pltimport torchimport gpytorchfrom gpytorch import kernels, means, models, mlls, settings,

文章目录0、前言1、保存一个简单模型1.1、改变模型参数1.2、获取模型参数0、前言本篇基于官方文档教程。本篇中，我们将重温保存、加载模型的流程。总的来说，该过程和对PyTorch模组的操作是一样的。import mathimport numpy as npfrom matplotlib import pyplot as pltfrom gpytorch import kernels, means, models, mlls, settings, likelihoods, constraint

文章目录0、前言1、定义模型2、查看模型参数2.1、原始 vs 实际参数0、前言本篇基于官方文档的教程。本篇的目的是解释GPyTorch中超参是如何起作用的、怎样调整，约束与先验有什么选项，另外还会介绍与别的packages的区别。import mathimport numpy as npimport torchfrom matplotlib import pyplot as pltfrom gpytorch import kernels, means, models, mlls, set

文章目录0、前言1、导入2、生成训练数据3、模型建立3.1、GP模型3.2、似然3.3、模型的模式4、训练模型5、用模型做预测6、拟合模型可视化0、前言本文是基于官方文档的教程的知识储备：初步了解高斯过程高斯过程很好的教程这个知乎专栏也很好，讲的挺透的1、导入我们将用RBF（Radial Basis Function）核的高斯过程对下面这个函数建模：y=sin⁡(2πx)+ϵ,ϵ∼N(0,0.04)y=\sin(2\pi x)+\epsilon, \quad \epsilon\sim\