optuna.samplers.BaseSampler

class optuna.samplers.BaseSampler

采样器的基类。

Optuna 结合了两种采样策略，称为相对采样和独立采样。

相对采样同时确定多个参数的值，以便采样算法可以使用参数之间的关系（例如，相关性）。相对采样的目标参数在相对搜索空间中描述，该空间由 infer_relative_search_space() 确定。

独立采样在不考虑参数之间任何关系的情况下确定单个参数的值。独立采样的目标参数是未在相对搜索空间中描述的参数。

更具体地说，参数通过以下过程进行采样。在试验开始时，将调用 infer_relative_search_space() 来确定试验的相对搜索空间。在目标函数执行期间，仅在首次采样属于相对搜索空间的参数时调用一次 sample_relative()。 sample_independent() 用于采样不属于相对搜索空间的参数。

下图描绘了试验的生命周期以及上述三个方法如何在试验中被调用。

方法

after_trial(study, trial, state, values)	试验后处理。
before_trial(study, trial)	试验预处理。
infer_relative_search_space(study, trial)	为目标试验推断将使用的搜索空间。
reseed_rng()	重新设置采样器的随机数生成器。
sample_independent(study, trial, param_name, ...)	为给定的分布采样一个参数。
sample_relative(study, trial, search_space)	在给定的搜索空间中采样参数。

after_trial(study, trial, state, values)

试验后处理。

此方法在目标函数返回后、试验完成并存储其状态之前调用。

注意

于 v2.4.0 添加为实验性功能。接口可能在新版本中更改，恕不另行通知。请参阅 https://github.com/optuna/optuna/releases/tag/v2.4.0。

参数:

• study (Study) – 目标研究对象。

• trial (FrozenTrial) – 目标试验对象。修改此对象前请先复制。

• state (TrialState) – 结果试验状态。

• values (Sequence[float] | None) – 结果试验值。如果试验成功，则保证不为 None。

返回类型:

无

before_trial(study, trial)

试验预处理。

在调用目标函数之前并且在试验实例化之后立即调用此方法。更准确地说，此方法在试验初始化期间被调用，紧接在调用 infer_relative_search_space() 之前。换句话说，它负责在推断搜索空间之前应完成的预处理。

注意

于 v3.3.0 作为实验性功能添加。界面可能会在较新版本中更改，恕不另行通知。请参阅 https://github.com/optuna/optuna/releases/tag/v3.3.0。

参数:

• study (Study) – 目标研究对象。

• trial (FrozenTrial) – 目标试验对象。

返回类型:

无

abstractmethod infer_relative_search_space(study, trial)

为目标试验推断将使用的搜索空间。

此方法在调用 sample_relative() 方法之前立即调用，并且此方法返回的搜索空间将被传递给它。不包含在搜索空间中的参数将通过调用 sample_independent() 方法进行采样。

参数:

• study (Study) – 目标研究对象。

• trial (FrozenTrial) – 目标试验对象。修改此对象前请先复制。

返回:

包含参数名称和参数分布的字典。

返回类型:

dict[str, BaseDistribution]

另请参阅

请参阅 intersection_search_space() 作为 infer_relative_search_space() 的一个实现。

reseed_rng()

重新设置采样器的随机数生成器。

如果试验与 n_jobs>1 选项并行执行，则 Study 实例将调用此方法。在这种情况下，采样器实例将被复制，包括随机数生成器的状态，并且它们可能会建议相同的值。为防止此问题，此方法为每个随机数生成器分配不同的种子。

返回类型:

无

abstractmethod sample_independent(study, trial, param_name, param_distribution)

为给定的分布采样一个参数。

仅当参数不包含在 sample_relative() 方法返回的搜索空间中时，才会调用此方法。此方法适用于不使用参数之间关系的采样算法，例如随机采样和 TPE。

注意

任何内置采样器在采样新参数时都会忽略失败的试验。因此，在采样器看来，失败的试验被视为已删除。

参数:

• study (Study) – 目标研究对象。

• trial (FrozenTrial) – 目标试验对象。修改此对象前请先复制。

• param_name (str) – 采样参数的名称。

• param_distribution (BaseDistribution) – 指定采样算法先验和/或尺度的分布对象。

返回:

参数值。

返回类型:

Any

abstractmethod sample_relative(study, trial, search_space)

在给定的搜索空间中采样参数。

此方法在每次试验开始时调用一次，即在评估目标函数之前。此方法适用于使用参数之间关系的采样算法，例如高斯过程和 CMA-ES。

注意

任何内置采样器在采样新参数时都会忽略失败的试验。因此，在采样器看来，失败的试验被视为已删除。

参数:

• study (Study) – 目标研究对象。

• trial (FrozenTrial) – 目标试验对象。修改此对象前请先复制。

• search_space (dict[str, BaseDistribution]) – 由 infer_relative_search_space() 返回的搜索空间。

返回:

包含参数名称和值的字典。

返回类型:

dict[str, Any]