pyfemtet.opt.optimizer.optuna_optimizer package

モジュール内容

class pyfemtet.opt.optimizer.optuna_optimizer.OptunaOptimizer(sampler_class=None, sampler_kwargs=None)

ベースクラス: AbstractOptimizer

ハイパーパラメータ最適化のためにOptunaを利用するオプティマイザクラス。

このクラスはOptunaを使用して最適化解析を実施するためのインターフェースを提供します。スタディのライフサイクル、サンプラーの設定、およびトライアルの実行を管理します。

study_name

Optuna スタディの名前。

Type:

str

storage

Optuna スタディのストレージ URL またはオブジェクト。

Type:

str | optuna.storages.BaseStorage

storage_path

Optunaスタディストレージへのパス。

Type:

str

current_trial

現在評価中の Optuna トライアル。

Type:

optuna.trial.Trial | None

sampler_class

使用するOptunaサンプラーのクラス。

Type:

type[optuna.samplers.BaseSampler]

sampler_kwargs

サンプラーを初期化するためのキーワード引数。

Type:

dict

n_trials

スタディで実行する試行回数。

Type:

int | None

timeout

最適化に許可される最大時間。

Type:

float | None

callbacks

最適化中に呼び出すコールバック関数の一覧。

Type:

list

パラメータ:

• sampler_class (type[optuna.samplers.BaseSampler], optional) – パラメーター値を提案するためのサンプラークラス。None の場合はデフォルトで TPESampler が使用されます。

• sampler_kwargs (dict[str, ...], optional) – サンプラーのキーワード引数の辞書。デフォルトは空の辞書です。

例外:

None –

サンプル

>>> optimizer = OptunaOptimizer()
>>> optimizer.n_trials = 100
>>> optimizer.timeout = 600
>>> # Further configuration and usage...

add_categorical_parameter(name, initial_value, choices, properties=None, *, pass_to_fem=True, fix=False)

パラメータ:

• name (str) –

• initial_value (str | Real) –

• choices (list[str | Real]) –

• properties (dict[str, ...] | None) –

• pass_to_fem (bool) –

• fix (bool) –

戻り値の型:

None

add_parameter(name, initial_value, lower_bound=None, upper_bound=None, step=None, properties=None, *, pass_to_fem=True, fix=False)

パラメータ:

• name (str) –

• initial_value (float) –

• lower_bound (float | None) –

• upper_bound (float | None) –

• step (float | None) –

• properties (dict[str, ...] | None) –

• pass_to_fem (bool) –

• fix (bool) –

戻り値の型:

None

callbacks: list

current_trial: optuna.trial.Trial | None

entire_status: WorkerStatus

fidelity: Fidelity | None

history: History

include_queued_in_n_trials: bool

n_trials: int | None

run()

sampler_class: type[optuna.samplers.BaseSampler]

sampler_kwargs: dict

seed: int | None

solve_condition: Callable[[History], bool]

storage: str | optuna.storages.BaseStorage

storage_path: str

study_name = 'pyfemtet-study'

sub_fidelity_models: SubFidelityModels | None

sub_fidelity_name: str

termination_condition: Callable[[History], bool]

timeout: float | None

trial_queue: TrialQueue

worker_status: WorkerStatus

worker_status_list: list[WorkerStatus]

class pyfemtet.opt.optimizer.optuna_optimizer.PartialOptimizeACQFConfig(*, gen_candidates='scipy', timeout_sec=None, method=None, scipy_minimize_kwargs=None, constraint_enhancement=None, constraint_scaling=1000000.0)

ベースクラス: object

パラメータ:

• gen_candidates (str) –

• timeout_sec (float) –

• method (str) –

• scipy_minimize_kwargs (dict) –

• constraint_enhancement (float) –

• constraint_scaling (float) –

default_method = 'SLSQP'

class pyfemtet.opt.optimizer.optuna_optimizer.PoFBoTorchSampler(*, candidates_func=None, constraints_func=None, n_startup_trials=10, consider_running_trials=False, independent_sampler=None, seed=None, device=None, observation_noise=None, partial_optimize_acqf_kwargs=None, pof_config=None)

ベースクラス: BoTorchSampler

注釈

v2.4.0で実験的機能として追加されました。インターフェースは予告なく新版で変更される場合があります。詳細は https://github.com/optuna/optuna/releases/tag/v2.4.0 をご覧ください。

パラメータ:

• candidates_func (CandidateFunc) –

• constraints_func (Callable[[FrozenTrial], Sequence[float]] | None) –

• n_startup_trials (int) –

• consider_running_trials (bool) –

• independent_sampler (BaseSampler | None) –

• seed (int | None) –

• device (torch.device | None) –

• observation_noise (float | str | None) –

• partial_optimize_acqf_kwargs (PartialOptimizeACQFConfig) –

• pof_config (PoFConfig) –

current_gp_model: SingleTaskGP | None

observation_noise: float | str | None

partial_optimize_acqf_kwargs: PartialOptimizeACQFConfig

pof_config: PoFConfig

pyfemtet_optimizer: AbstractOptimizer

sample_relative(study, trial, search_space)

与えられた探索空間内のサンプルパラメータ。

このメソッドは各試行の開始時、すなわち目的関数の評価直前に一度呼び出されます。このメソッドは、ガウス過程やCMA-ESのようにパラメータ間の関係性を利用するサンプリングアルゴリズムに適しています。

注釈

ビルトインサンプラーは新しいパラメータをサンプリングする際に失敗した試行を無視します。したがって、失敗した試行はサンプラーの観点では削除されたものと見なされます。

パラメータ:

• study (Study) – 対象解析対象。

• trial (FrozenTrial) – 対象試行オブジェクト。このオブジェクトを変更する前にコピーを作成してください。

• search_space (dict[str, BaseDistribution]) – infer_relative_search_space() から返される探索空間。

戻り値:

最適化で使用されるパラメータ名と値を含む dict です。

戻り値の型:

dict[str, Any]

train_model_c(study, search_space, feature_dim_bound=None, feature_param=None)

パラメータ:

• feature_dim_bound (list[float] | None) –

• feature_param (float | ndarray | None) –

class pyfemtet.opt.optimizer.optuna_optimizer.PoFConfig(consider_pof: 'bool' = True, consider_explicit_hard_constraint: 'bool' = True, _states_to_consider_pof: 'list[PFTrialState]' = <factory>, feasibility_cdf_threshold: 'float | str' = 0.5, feasibility_noise: 'float | str | None' = None, remove_hard_constraints_from_gp: 'bool' = False)

ベースクラス: object

パラメータ:

• consider_pof (bool) –

• consider_explicit_hard_constraint (bool) –

• _states_to_consider_pof (list[TrialState]) –

• feasibility_cdf_threshold (float | str) –

• feasibility_noise (float | str | None) –

• remove_hard_constraints_from_gp (bool) –

consider_explicit_hard_constraint: bool = True

consider_pof: bool = True

feasibility_cdf_threshold: float | str = 0.5

feasibility_noise: float | str | None = None

remove_hard_constraints_from_gp: bool = False