我想使用交叉验证来测试官方Optuna和基于pytorch的样例代码(https://github.com/optuna/optuna/blob/master/examples/pytorch_simple.py)。
我考虑将数据拆分为交叉验证的折叠,然后尝试对每个折叠进行参数调整,但是由于study.trials_dataframe()返回的参数每次都不同,所以无法获得每个参数的平均准确性。
我想使用交叉验证来测试官方Optuna和基于pytorch的样例代码(https://github.com/optuna/optuna/blob/master/examples/pytorch_simple.py)。
我考虑将数据拆分为交叉验证的折叠,然后尝试对每个折叠进行参数调整,但是由于study.trials_dataframe()返回的参数每次都不同,所以无法获得每个参数的平均准确性。
objective
函数以使用参数传递数据集,并添加了一个包装函数objective_cv
来调用带有分裂数据集的objective
函数。然后,我优化objective_cv
而不是objective
函数。def objective(trial, train_loader, valid_loader):
# Remove the following line.
# train_loader, valid_loader = get_mnist()
...
return accuracy
def objective_cv(trial):
# Get the MNIST dataset.
dataset = datasets.MNIST(DIR, train=True, download=True, transform=transforms.ToTensor())
fold = KFold(n_splits=3, shuffle=True, random_state=0)
scores = []
for fold_idx, (train_idx, valid_idx) in enumerate(fold.split(range(len(dataset)))):
train_data = torch.utils.data.Subset(dataset, train_idx)
valid_data = torch.utils.data.Subset(dataset, valid_idx)
train_loader = torch.utils.data.DataLoader(
train_data,
batch_size=BATCHSIZE,
shuffle=True,
)
valid_loader = torch.utils.data.DataLoader(
valid_data,
batch_size=BATCHSIZE,
shuffle=True,
)
accuracy = objective(trial, train_loader, valid_loader)
scores.append(accuracy)
return np.mean(scores)
study = optuna.create_study(direction="maximize")
study.optimize(objective_cv, n_trials=20, timeout=600)