optuna.samplers.BruteForceSampler

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

使用暴力搜索的采样器。

此采样器对定义的搜索空间执行穷举搜索。

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，在使用 FloatDistribution 或 suggest_float() 时，不允许使用 step=None。

注意

当同一 Study 中的建议范围或参数发生更改时，该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，因为此选项无法保证试验顺序，并且可能在分布式优化期间增加重复建议的数量。
avoid_premature_stop (bool) – 如果为 True，则采样器将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。当未启用此选项时（默认），采样器会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。有关更多信息，请参阅 https://github.com/optuna/optuna/issues/5780。

注意

在 v3.1.0 中作为实验性功能添加。接口可能在后续版本中在不事先通知的情况下发生更改。请参阅 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)	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)[source]

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。

此方法在调用目标函数之前、试验实例化之后调用。更准确地说，此方法在试验初始化期间调用，就在调用 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执行的预处理。

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

infer_relative_search_space(study, trial)[source]

为目标试验推断将使用的搜索空间。

此方法在调用 sample_relative() 方法之前调用，并且此方法返回的搜索空间将传递给它。未包含在搜索空间中的参数将使用 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

sample_independent(study, trial, param_name, param_distribution)[source]

为给定的分布采样一个参数。

此方法仅对未包含在 sample_relative() 方法返回的搜索空间中的参数进行调用。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

sample_relative(study, trial, search_space)[source]

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]