optuna.samplers.BruteForceSampler

class optuna.samplers.BruteForceSampler(seed=None, avoid_premature_stop=False)[源代码]

使用暴力法的采样器。

此采样器在定义好的搜索空间上执行穷举搜索。

示例

import optuna


def objective(trial):
    c = trial.suggest_categorical("c", ["float", "int"])
    if c == "float":
        return trial.suggest_float("x", 1, 3, step=0.5)
    elif c == "int":
        a = trial.suggest_int("a", 1, 3)
        b = trial.suggest_int("b", a, 3)
        return a + b


study = optuna.create_study(sampler=optuna.samplers.BruteForceSampler())
study.optimize(objective)

注意

定义的搜索空间必须是有限的。因此，当使用 FloatDistribution 或 suggest_float() 时，不允许使用 step=None。

注意

当在同一个 Study 中更改建议范围或参数时，采样器可能无法尝试整个搜索空间。

参数:

seed (int | None) – 用于固定试验顺序的种子，因为搜索顺序是随机打乱的。请注意，不建议在分布式优化设置中使用此选项，因为此选项无法确保试验顺序，并且可能会增加分布式优化期间重复建议的数量。
avoid_premature_stop (bool) – 如果为 True，则采样器执行严格的穷举搜索。请注意，启用此选项可能会增加重复采样的可能性。当此选项未启用（默认）时，采样器应用更宽松的标准来确定何时停止搜索，这可能导致搜索空间覆盖不完整。更多信息请参见 https://github.com/optuna/optuna/issues/5780。

注意

在 v3.1.0 中作为实验性功能添加。接口可能会在后续版本中更改，恕不另行通知。参见 https://github.com/optuna/optuna/releases/tag/v3.1.0。

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)	推断目标试验中相对采样将使用的搜索空间。
`reseed_rng`()	重新设置采样器的随机数生成器种子。
`sample_independent`(study, trial, param_name, ...)	为给定分布采样一个参数。
`sample_relative`(study, trial, search_space)	在给定搜索空间中采样参数。

after_trial(study, trial, state, values)[源代码]

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

在 v2.4.0 中作为实验性功能添加。接口可能会在后续版本中更改，恕不另行通知。参见 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。在修改此对象之前请复制一份。
state (TrialState) – 试验结果状态。
values (Sequence[float] | None) – 试验结果值。如果试验成功，保证不是 None。

返回类型:

None

before_trial(study, trial)

试验预处理。

此方法在调用目标函数之前、实例化试验之后调用。更准确地说，此方法在试验初始化期间调用，恰好在 infer_relative_search_space() 调用之前。换句话说，它负责在推断搜索空间之前应该完成的预处理。

注意

在 v3.3.0 中作为实验性功能添加。接口可能会在后续版本中更改，恕不另行通知。参见 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:

None

infer_relative_search_space(study, trial)[源代码]

推断目标试验中相对采样将使用的搜索空间。

此方法在 sample_relative() 方法之前调用，此方法返回的搜索空间会传递给它。不包含在搜索空间中的参数将使用 sample_independent() 方法采样。

参数:

study (Study) – 目标研究对象。
trial (FrozenTrial) – 目标试验对象。在修改此对象之前请复制一份。

返回:

一个字典，包含参数名称和参数分布。

返回类型:

dict[str, BaseDistribution]

另请参阅

请参考 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种子。

如果试验以选项 n_jobs>1 并行执行，Study 实例会调用此方法。在这种情况下，采样器实例会被复制，包括随机数生成器的状态，并且它们可能会建议相同的值。为了防止这个问题，此方法为每个随机数生成器分配一个不同的种子。

返回类型:: None

sample_independent(study, trial, param_name, param_distribution)[源代码]

为给定分布采样一个参数。

此方法仅用于 sample_relative() 方法返回的搜索空间中未包含的参数。此方法适用于不使用参数之间关系（例如随机采样和 TPE）的采样算法。

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，从采样器的角度来看，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。在修改此对象之前请复制一份。
param_name (str) – 采样的参数名称。
param_distribution (BaseDistribution) – 指定采样算法先验和/或尺度的分布对象。

返回:

一个参数值。

返回类型:

Any

sample_relative(study, trial, search_space)[源代码]

在给定搜索空间中采样参数。

此方法在每个试验开始时调用一次，即在目标函数评估之前调用。此方法适用于使用参数之间关系（例如高斯过程和 CMA-ES）的采样算法。

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，从采样器的角度来看，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。在修改此对象之前请复制一份。
search_space (dict[str, BaseDistribution]) – infer_relative_search_space() 返回的搜索空间。

返回:

一个包含参数名称和值的字典。

返回类型:

dict[str, Any]