Документация

Параметры решателя

Установка GPActiveSetSize значение параметра меньше значения по умолчанию (300) может ускорить решение. Стоимость - это потенциальная неточность в пунктах, которые bayesopt выбирает оценку, поскольку модель GP целевой функции может быть менее точной, чем при большем значении. Установка для опции большего значения может привести к более точной модели GP, но требует больше времени для создания модели.

Установка ParallelMethod опция для 'max-observed' может привести bayesopt более широкий поиск глобального оптимума. Этот выбор может привести к лучшему решению за меньшее время. Однако значение по умолчанию: 'clipped-model-prediction' часто бывает лучше.

Установка MinWorkerUtilization большое значение параметра может привести к более высокой степени параллельного использования. Однако эта настройка вызывает оценку более полностью случайных точек, что может привести к менее точным решениям. В этом контексте большое значение зависит от того, сколько у вас работников. Значение по умолчанию: floor(0.8*N), где N - количество параллельных работников. Установка опции на более низкое значение может обеспечить более низкое параллельное использование, но с преимуществом более высокого качества.

Возложение целевой функции на работников

Можно поместить целевую функцию на параллельных работников одним из трех способов. Некоторые из них имеют более высокую производительность, но требуют более сложной настройки.

1. Автоматически (Automatic) Если в качестве целевой функции указан дескриптор функции, bayesopt отправляет дескриптор всем параллельным работникам в начале его выполнения. Например,

load ionosphere
splits = optimizableVariable('splits',[1,100],'Type','integer');
minleaf = optimizableVariable('minleaf',[1,100],'Type','integer');
fun = @(params)kfoldLoss(fitctree(X,Y,'Kfold',5,...
    'MaxNumSplits',params.splits,'MinLeaf',params.minleaf));

results = bayesopt(fun,[splits,minleaf],'UseParallel',true);

Этот метод эффективен, если дескриптор мал или если оптимизация выполняется только один раз. Однако если планируется выполнить оптимизацию несколько раз, можно сэкономить время, используя один из двух других методов.

2. Параллельная константа Если планируется выполнить оптимизацию несколько раз, сэкономьте время, передав целевую функцию работникам только один раз. Этот метод особенно эффективен, когда дескриптор функции включает большое количество данных. Передайте цель один раз, установив дескриптор функции в parallel.pool.Constant (Панель параллельных вычислений), как в этом примере.

load ionosphere
splits = optimizableVariable('splits',[1,100],'Type','integer');
minleaf = optimizableVariable('minleaf',[1,100],'Type','integer');
fun = @(params)kfoldLoss(fitctree(X,Y,'Kfold',5,...
    'MaxNumSplits',params.splits,'MinLeaf',params.minleaf));

C = copyFunctionHandleToWorkers(fun);

results1 = bayesopt(C,[splits,minleaf],'UseParallel',true);
results2 = bayesopt(C,[splits,minleaf],'UseParallel',true,...
    'MaxObjectiveEvaluations',50);
results3 = bayesopt(C,[splits,minleaf],'UseParallel',true,...
    'AcquisitionFunction','expected-improvement');

В этом примере: copyFunctionHandleToWorkers отправляет дескриптор функции работникам только один раз.

3. Создание целевой функции для работников Если у вас есть много данных для отправки работникам, вы можете избежать загрузки данных в клиенте с помощью spmd(Панель инструментов параллельных вычислений) для загрузки данных на работников. Использовать Composite(Панель инструментов параллельных вычислений) с parallel.pool.Constant для доступа к распределенным целевым функциям.

% makeFun is at the end of this script
spmd
    fun = makeFun();
end

% ObjectiveFunction is now a Composite. Get a parallel.pool.Constant
% that refers to it, without copying it to the client:
C = parallel.pool.Constant(fun);

% You could also use the line
% C = parallel.pool.Constant(@MakeFun);
% In this case, you do not use spmd

% Call bayesopt, passing the Constant
splits = optimizableVariable('splits', [1 100]);
minleaf = optimizableVariable('minleaf', [1 100]);
bo = bayesopt(C,[splits minleaf],'UseParallel',true);

function f = makeFun()
load('ionosphere','X','Y');
f = @fun;
    function L = fun(Params)
        L = kfoldLoss(fitctree(X,Y, ...
            'KFold', 5,...
            'MaxNumSplits',Params.splits, ...
            'MinLeaf', Params.minleaf));
    end
end

В этом примере дескриптор функции существует только для работников. Дескриптор никогда не появляется на клиенте.