معرفی شرکت ها

BOHB-HPO-0.5.2

Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Bayesian Optimization Hyperband Hyperparameter Optimization
ویژگی مقدار
سیستم عامل -
نام فایل BOHB-HPO-0.5.2
نام BOHB-HPO
نسخه کتابخانه 0.5.2
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Göktuğ Karakaşlı
ایمیل نویسنده karakasligk@gmail.com
آدرس صفحه اصلی https://github.com/goktug97/bohb_hpo
آدرس اینترنتی https://pypi.org/project/BOHB-HPO/
مجوز MIT
Bayesian Optimization Hyperband Hyperparameter Optimization =========================================================== Implementation for [BOHB](http://proceedings.mlr.press/v80/falkner18a.html) ## Requirements - numpy - scipy - statsmodels - dask - torch (example) ## Installation ```bash pip3 install bohb-hpo ``` ## Usage ``` Python from bohb import BOHB import bohb.configspace as cs def objective(step, alpha, beta): return 1 / (alpha * step + 0.1) + beta def evaluate(params, n_iterations): loss = 0.0 for i in range(int(n_iterations)): loss += objective(**params, step=i) return loss/n_iterations if __name__ == '__main__': alpha = cs.CategoricalHyperparameter('alpha', [0.001, 0.01, 0.1]) beta = cs.CategoricalHyperparameter('beta', [1, 2, 3]) configspace = cs.ConfigurationSpace([alpha, beta]) opt = BOHB(configspace, evaluate, max_budget=10, min_budget=1) # Parallel # opt = BOHB(configspace, evaluate, max_budget=10, min_budget=1, n_proc=4) logs = opt.optimize() ``` See [examples](https://github.com/goktug97/bohb-hpo/tree/master/examples) ### Configspace Examples - Basic ```python import dehb.configspace as cs lr = cs.UniformHyperparameter('lr', 1e-4, 1e-1, log=True) batch_size = cs.CategoricalHyperparameter('batch_size', [8, 16, 32]) configspace = cs.ConfigurationSpace([lr, batch_size], seed=123) ``` - Conditional Parameters ```python import bohb.configspace as cs a = cs.IntegerUniformHyperparameter('a', 0, 4) b = cs.CategoricalHyperparameter('b', ['a', 'b', 'c'], a == 0) b_default = cs.CategoricalHyperparameter('b', ['d'], ~b.cond) configspace = cs.ConfigurationSpace([a, b, b_default], seed=123) ``` - Complex Conditional Parameters ```python import bohb.configspace as cs a = cs.IntegerUniformHyperparameter('a', 0, 4) b1 = cs.UniformHyperparameter('b', 0, 0.5, a <= 1) b2 = cs.UniformHyperparameter('b', 0.5, 1, ~b1.cond) c1 = cs.CategoricalHyperparameter('c', ['a', 'b', 'c'], b1 < 0.25) c2 = cs.CategoricalHyperparameter('c', ['c', 'd', 'e'], ~c1.cond) d1 = cs.UniformHyperparameter('d', 0, 1, (b1 < 0.125) & (c1 == 'b')) d2 = cs.NormalHyperparameter('d', 0, 0.1, (b1 > 0.125) & (c1 == 'c')) d3 = cs.IntegerNormalHyperparameter('d', 5, 10, (b2 > 0.750) & (c2 == 'd')) d4 = cs.UniformHyperparameter('d', 0, 0, ~(d1.cond | d2.cond | d3.cond)) configspace = cs.ConfigurationSpace([a, b1, b2, c1, c2, d1, d2, d3, d4], seed=123) ``` ## License bohb-hpo is licensed under the MIT License.


زبان مورد نیاز

مقدار نام
>=3.7 Python


نحوه نصب


نصب پکیج whl BOHB-HPO-0.5.2:

    pip install BOHB-HPO-0.5.2.whl


نصب پکیج tar.gz BOHB-HPO-0.5.2:

    pip install BOHB-HPO-0.5.2.tar.gz