如何使用Optuna在PyTorch中进行超参数优化

原创最新推荐文章于 2026-10-12 10:17:31 发布 1.9k 阅读 AI写同款

我爱学大模型

码龄3年墨衍会员 · AI 创作全网分发

7883粉丝687篇原创

关注

超参数调优框架optuna（可配合pytorch）全自动超参数调优框架——optuna 阅读详情

AI摘要

本文探讨使用Optuna库优化PyTorch训练超参数，将过程分为定义模型、搜索空间和目标函数、添加剪枝、运行优化、可视化结果5个步骤，还给出了最佳超参数及验证准确率。此外，作者分享了全套AGI大模型学习路线、报告合集、经典PDF籍和商业化落地方案等学习资料。

所有神经网络在训练过程中都需要选择超参数，而这些超参数对收敛速度和最终性能有着非常显著的影响。

这些超参数需要特别调整，以充分发挥模型的潜力。超参数调优过程是神经网络训练中不可或缺的一部分，某种程度上，它是一个主要基于梯度优化问题中的“无梯度”部分。

在这篇文章中，我们将探讨超参数优化的领先库之一——Optuna，它使这一过程变得非常简单且高效。我们将把这个过程分为5个简单的步骤。

第一步：定义模型

首先，我们将导入相关的包，并使用PyTorch创建一个简单的全连接神经网络。该全连接神经网络包含一个隐藏层。

为了保证可复现性，我们还设置了一个手动随机种子。

在这里插入图片描述

第二步：定义搜索空间和目标函数

接下来，我们将设置超参数优化所需的标准组件。我们将执行以下步骤：

1.下载FashionMNIST数据集。

2.定义超参数搜索空间：

我们定义(a)想要优化的超参数，以及(b)允许这些超参数取值的范围。在我们的例子中，我们将选择以下超参数：

神经网络隐藏层大小——整数值。
学习率——对数分布的浮点值。
优化器选择：分类选择（无顺序），在以下选项中选择：[“Adam”, “SGD”]。

3.定义目标函数：

目标函数是一个方法，用于在短暂的“超参数调优运行”中训练模型，并返回“模型好坏”的衡量指标。它可以是多种指标的组合，包括延迟等。但为了简单起见，这里我们只使用验证准确率。

请注意，这里模型训练10个周期，目标函数的输出是验证准确率。

在这里插入图片描述

第三步：添加剪枝（可选）

这是一个额外步骤！

作为设置阶段的最后一步，我们将添加Optuna剪枝功能，以便在超参数调优试验中提前停止表现不佳的试验。剪枝基于模型的“好坏”中间测量值；在我们的例子中，它是每个周期后的验证准确率。

这非常容易实现，我们只需在目标函数的末尾添加几行代码。

在这里插入图片描述

解释：

trial.report() 用于报告每个周期的中间验证准确率。
trial.should_prune() 检查是否应根据试验相对于其他试验的表现来停止当前试验。

有关trial接口提供的其他功能的详细阅读，请参阅 optuna.trial.Trial。

第四步：运行优化

现在，我们已经准备好开始优化超参数了！

我们将创建一个Optuna研究，并使用TPESampler作为超参数优化器、MedianPruner用于剪枝，运行指定次数的优化试验。请注意，由于超参数优化器使用伪随机数作为算法的一部分，如果我们希望得到可复现的结果，需在超参数优化器中设置种子。

优化完成后，最佳的超参数和验证准确率将会被打印出来。
在这里插入图片描述

第五步：可视化结果

优化完成后，Optuna提供了可视化工具来展示超参数优化过程的结果。虽然这些工具不是超参数调优过程中必不可少的一部分，但它们可以提供一些关键见解，帮助你在未来的迭代中做出改进。因为这个过程在超参数数量较少和搜索空间尽可能小的情况下效果最佳。

这里，我们将使用以下可视化方式：

优化历史：展示所有试验随时间的表现。
参数重要性：提供关于哪些超参数对模型准确率影响最大的见解。

在这里插入图片描述

综合总结

运行上述代码块后，你应该能看到以下输出：

[I 2024-09-22 12:16:17,945] A new study created in memory with name: no-name-9e0ab75f-ea67-4ceb-8fe2-3ae6492edbc7   
[I 2024-09-22 12:16:26,413] Trial 0 finished with value: 0.7085 and parameters: {'hidden_size': 116, 'lr': 0.06351221010640701, 'optimizer': 'Adam'}. Best is trial 0 with value: 0.7085.   
[I 2024-09-22 12:16:33,817] Trial 1 finished with value: 0.11366666666666667 and parameters: {'hidden_size': 67, 'lr': 4.207053950287933e-05, 'optimizer': 'SGD'}. Best is trial 0 with value: 0.7085.   
[I 2024-09-22 12:16:41,271] Trial 2 finished with value: 0.7810833333333334 and parameters: {'hidden_size': 167, 'lr': 0.006796578090758156, 'optimizer': 'SGD'}. Best is trial 2 with value: 0.7810833333333334.   
[I 2024-09-22 12:16:48,885] Trial 3 finished with value: 0.2735 and parameters: {'hidden_size': 219, 'lr': 7.068974950624602e-05, 'optimizer': 'SGD'}. Best is trial 2 with value: 0.7810833333333334.   
[I 2024-09-22 12:16:56,648] Trial 4 finished with value: 0.867 and parameters: {'hidden_size': 100, 'lr': 0.0012561043700013551, 'optimizer': 'Adam'}. Best is trial 4 with value: 0.867.   
[I 2024-09-22 12:16:59,220] Trial 5 pruned.    
[I 2024-09-22 12:17:06,916] Trial 6 finished with value: 0.8115 and parameters: {'hidden_size': 134, 'lr': 0.013826232179369865, 'optimizer': 'SGD'}. Best is trial 4 with value: 0.867.   
[I 2024-09-22 12:17:09,619] Trial 7 pruned.    
[I 2024-09-22 12:17:14,769] Trial 8 pruned.    
[I 2024-09-22 12:17:17,396] Trial 9 pruned.    
Best trial:
     Accuracy: 0.867     
     Best hyperparameters:  {'hidden_size': 100, 'lr': 0.0012561043700013551, 'optimizer': 'Adam'}

最优（迄今为止最好的）超参数是：