并行贝叶斯优化
并行优化
并行运行贝叶斯优化可以节省时间。并行运行需要并行计算工具箱™。Bayesopt.同时在并行工作人员执行并行目标函数评估。
并行优化：
Bayesopt.- 设置使用指α.名称 - 值对真的。例如，结果= Bayesopt（乐趣，vars，'使用指平行'，真的）;适合功能 - 设置
使用指α.场面的领域HyperParameterOptimizationOptions.结构到真的。例如，mdl = fitcsvm（x，y，'OptimizeHyperParameters'那'汽车'那......'hyperparameteroptimizationOptions'，struct（'使用指平行'，真的））
并行贝叶斯算法
并行贝叶斯优化算法类似于串行算法，其描述于贝叶斯优化算法。差异是：
Bayesopt.分配点以评估并行工人，一般一次一定点。Bayesopt.计算客户端以确定要分配的点。后
Bayesopt.评估初始随机点，它选择通过拟合高斯过程（GP）模型来评估点。适合GP模型，而一些工人仍在评估积分，Bayesopt.对仍在工人上的每个点施加价值。估算值是在它评估的点处的GP模型值的平均值，或根据所指定的一些其他值Bayesopt.“平行方法”名称值对。有关FIT功能的并行优化，Bayesopt.使用默认值并行摩托占价值。后
Bayesopt.分配一个点来评估，并且在计算新点之前分配，它会检查太多的工人是否空闲。积极工作者的阈值由此确定minworkerutilization.名称值对。如果太多工人闲置，那么Bayesopt.分配随机点，统一地选择界限，对所有闲置的工作者均匀。这一步骤使工人更快地活跃，但工人有随机分数而不是装配点。如果空闲工人的数量不超过阈值，那么Bayesopt.选择一个点以惯常评估，通过拟合GP模型并最大限度地提高采集功能。
笔记
由于并行时序的不可递容性，并行贝叶斯优化不一定会产生可重复的结果。
最佳并行性能的设置
FIT功能没有特殊设置，可用于更好的并行性能。相比之下，几个Bayesopt.设置可以帮助加快优化。
求解器选项
设置gpactivessetsize.较小值的选项比默认值较小（300）可以加速解决方案。成本在潜在的不准确性Bayesopt.选择评估，因为目标函数的GP模型可能比具有更大的值更准确。将选项设置为更大的值可能导致更准确的GP模型，但需要更多时间来创建模型。
设置并行摩托选择'最大观察'可导致Bayesopt.以全球最佳搜索更广泛。这种选择可以在更短的时间内导致更好的解决方案。但是，默认值'剪裁模型预测'往往是最好的。
设置minworkerutilization.大值的选项可能导致更高的并行利用率。但是，此设置会导致评估更完全随机的点，这可能导致较低的解决方案。万博 尤文图斯在这种情况下，大量的价值取决于您的工作人员。默认为地板（0.8 * n）， 在哪里N是平行工人的数量。将选项设置为较低的值可以给出较低的并行利用，但具有更高质量点的好处。
将客观职能放在工人身上
您可以通过三种方式之一在平行工人上放置客观函数。有些具有更好的性能，但需要更复杂的设置。
1.自动如果您将函数处理作为目标函数，Bayesopt.在运行开始时将句柄发送给所有并行工作者。例如，
加载电离层劈开=优化不变（'分裂'，[1,100]，'类型'那'整数'）;MINLEAF =优化不变（'minleaf'，[1,100]，'类型'那'整数'）;有趣= @（params）kfoldloss（fitctree（x，y，'kfold'，5，......'maxnumsplits'，params.splits，'minleaf'，params.minleaf））;结果= Bayesopt（乐趣，[分裂，MINLEAF]，'使用指平行'，真的）;
如果手柄很小，或者如果您只运行一次，则此方法是有效的。但是，如果您计划多次运行优化，则可以使用其他两种技术之一来节省时间。
2.平行常数如果您计划多次运行优化，请通过仅将目标函数转移到工人一次来节省时间。当功能处理包含大量数据时，该技术特别有效。通过将功能句柄设置为a，转移目标一次并行.Pool.Constant.（并行计算工具箱）构造，如在这个例子中。
加载电离层劈开=优化不变（'分裂'，[1,100]，'类型'那'整数'）;MINLEAF =优化不变（'minleaf'，[1,100]，'类型'那'整数'）;有趣= @（params）kfoldloss（fitctree（x，y，'kfold'，5，......'maxnumsplits'，params.splits，'minleaf'，params.minleaf））;c = CopyFunceSheadloroworWorkers（乐趣）;结果1 = Bayesopt（C，[Splits，Minleaf]，'使用指平行'，真的）;结果2 = Bayesopt（C，[Splits，Minleaf]，'使用指平行'，真的，......'maxobjectiveevaluations'，50）;结果3 = Bayesopt（C，[Splits，Minleaf]，'使用指平行'，真的，......'收集功能'那'预期改善'）;
在这个例子中，CopyFuncessHandlorWorkers.仅向工人发送函数句柄一次。
3.为工人创造目标职能如果您有大量的数据要发送到工人，可以避免使用客户端加载数据SPMD.（并行计算工具箱）加载工作人员的数据。用一个合成的（并行计算工具箱）和并行.Pool.Constant.访问分布式目标函数。
％makefun位于此脚本的末尾SPMD.有趣= makefun（）;结尾％目标是现在是一个复合材料。获取并行.Pool.Constant.百分比是指它的，而不将其复制到客户端：c = parallel.Pool.Constant（乐趣）;％您也可以使用该行％c = parallel.Pool.Constant（@MakeFun）;在这种情况下％，您不使用spmd％call bayesopt，传递常数劈开=优化不变（'分裂'，[1 100]）;MINLEAF =优化不变（'minleaf'，[1 100]）;Bo = Bayesopt（C，[Splits Minleaf]，'使用指平行'，真的）;功能f = makefun（）加载（'电离层'那'X'那'是'）;f = @fun;功能l =有趣（params）l = kfoldloss（fitctree（x，y，......'kfold'，5，......'maxnumsplits'，params.splits，......'minleaf'，params.minleaf））;结尾结尾
在此示例中，函数处理仅存在于工人身上。手柄从未出现在客户端上。
平行贝叶斯优化输出的差异
什么时候Bayesopt.贝叶斯优化输出并行运行，包括这些差异。
迭代显示- 迭代显示包括一个列，显示有效工人的数量。这是数字之后的数字
Bayesopt.为下一个工人分配一份工作。绘制功能
目标函数模型图（
@plotobjectiveModel.）显示待处理的点（在并行工人上执行的那些点）。点的高度取决于并行摩托名称值对。经过时间图（
@plotelapsedtime.）显示标签的总经过时间即时的和总目标函数的评估时间，概括所有工人，标签客观评估时间（所有工人）。客观评估时间包括在工作中启动工人的时间。
也可以看看
并行.Pool.Constant.（并行计算工具箱）|SPMD.（并行计算工具箱）
相关话题
您还可以从以下列表中选择一个网站：
