通过

Hyperopt 概念

  • 项目

注意

不再维护 Hyperopt 的开源版本。

Hyperopt 将在下一个主要 DBR ML 版本中被删除。 Azure Databricks 建议使用 Optuna，以便获得类似的体验，并访问最新的超参数优化算法。

本文介绍使用分布式 Hyperopt 所需了解的一些概念。

本节内容：

有关如何在 Azure Databricks 中使用 Hyperopt 的示例，请参阅 Hyperopt。

fmin()

使用 fmin() 执行 Hyperopt 运行。 表中显示了 fmin() 的参数；有关详细信息，请参阅 Hyperopt 文档。 若要查看示例了解如何使用每个参数，请参阅示例笔记本。

参数名称 描述
fn 目标函数。 Hyperopt 使用根据 space 参数中提供的超参数空间生成的值来调用此函数。 此函数可以标量值或字典的形式返回损失（有关详细信息，请参阅 Hyperopt 文档）。 此函数通常包含用于训练模型和计算损失的代码。
space 定义要搜索的超参数空间。 借助 Hyperopt，可在如何定义此空间方面获得极大的灵活性。 你可选择分类选项（如算法），也可选择数值的概率分布（如均匀和对数）。
algo 用于搜索超参数空间的 Hyperopt 搜索算法。 最常用的是随机搜索的 hyperopt.rand.suggest 和 TPE 的 hyperopt.tpe.suggest。
max_evals 要尝试的超参数设置的数量（也就是要匹配的模型数量）。
max_queue_len Hyperopt 应提前生成的超参数设置数目。 由于 Hyperopt TPE 生成算法可能需要一些时间，因此将时间调高到默认值 1 以上可能会有所帮助，但通常不超过 SparkTrials 设置 parallelism。
trials Trials 或 SparkTrials 对象。 在目标函数中调用单机算法（如 scikit-learn 方法）时，请使用 SparkTrials。 在目标函数中调用分布式训练算法（如 MLlib 方法或 Horovod）时，请使用 Trials。
early_stop_fn 一个可选的提前停止函数，用于确定 fmin 是否应该在到达 max_evals 之前停止。 默认为 None。 函数的输入签名为 Trials, *args，输出签名为 bool, *args。 输出布尔值指示是否停止。 *args 为任何状态时，其中对 early_stop_fn 的调用的输出用作下一次调用的输入。 Trials 可以是 SparkTrials 对象。 使用 SparkTrials 时，不能保证每次试用后都会运行提前停止函数，而是改为轮询。 提前停止功能示例

SparkTrials 类

SparkTrials 是 Databricks 开发的 API，可用于在不对 Hyperopt 代码进行其他更改的情况下分发 Hyperopt 运行。 SparkTrials 通过向 Spark 辅助角色分配试验，可加速单机优化。

注意

SparkTrials 旨在并行化处理单机 ML 模型（如 scikit-learn）的计算。 对于使用分布式 ML 算法（如 MLlib 或 Horovod）创建的模型，请勿使用 SparkTrials。 在这种情况下，模型构建过程会在群集上自动并行化，你应使用默认的 Hyperopt 类 Trials。

本部分描述如何配置传递给 SparkTrials 的参数和 SparkTrials 的实现方面。

参数

SparkTrials 采用两个可选参数：

  • parallelism：要同时评估的试验的最大数量。 使用的数字越大，可进行横向扩展测试的超参数设置越多。 Hyperopt 会基于过去的结果提议新试验，因此需在并行度和适应度之间进行权衡。 对于固定的 max_evals，并行度越大，计算速度越快；但并行度更小时，由于每个迭代有权访问更多过去的结果，因此可能获得更好的结果。

    默认值：可用的 Spark 执行程序数目。 最大值：128。 如果该值大于群集配置允许的并发任务数，则 SparkTrials 会将并行度减少到等于此值。

  • timeout：fmin() 调用可使用的最大秒数。 超过此数目后，所有运行都将终止，且 fmin() 将退出。 系统将保存已完成的运行的相关信息。

实现

当定义传递给 fmin() 的目标函数 fn 时，以及在选择群集设置时，了解 SparkTrials 如何分配优化任务是很有帮助的。

在 Hyperopt 中，一次试验通常相当于在一组超参数上拟合一个模型。 Hyperopt 以迭代方式生成试用，评估它们，并重复执行。

使用 SparkTrials，群集的驱动程序节点生成新的试用，工作器节点评估这些试用。 每个试用都是由具有一个任务的 Spark 作业生成的，并在辅助角色计算机上的任务中进行评估。 如果群集设置为每个辅助角色运行多个任务，则可以在该辅助角色上同时评估多个试用。

SparkTrials 和 MLflow

Databricks Runtime ML 支持从工作器记录到 MLflow。 可以在传递给 Hyperopt 的目标函数中添加自定义日志代码。

SparkTrials 将优化结果记录为嵌套的 MLflow 运行，如下所示：

  • 主运行（也称为“父运行”）：对 fmin() 的调用被记录为主运行。 如果有一个活动的运行，SparkTrials 将在此活动运行下记录，并且在 fmin() 返回时不会结束运行。 如果没有活动的运行，SparkTrials 将创建一个新的运行，在其中进行记录，并在 fmin() 返回之前结束该运行。
  • 子运行：经过测试的每个超参数设置（“试验”）都记录为主运行下的子运行。 来自工作器的 MLflow 日志记录也存储在相应的子运行下。

调用 fmin() 时，Databricks 建议使用活动 MLflow 运行管理；也就是说，将对 fmin() 的调用包装在 with mlflow.start_run(): 语句中。 这样可确保每个 fmin() 调用都记录在单独的 MLflow“主”运行中，并且可更轻松地将额外的标记、参数或指标记录到该运行中。

注意

在同一个活动 MLflow 运行中多次调用 fmin() 时，MLflow 会将这些调用记录到同一个“主”运行中。 为了解决记录的参数和标记所出现的名称冲突，MLflow 会在发生冲突的名称中追加一个 UUID。

从工作器进行日志记录时，不需要在目标函数中显式管理运行。 在目标函数中调用 mlflow.log_param("param_from_worker", x) 以将参数记录到子运行中。 你可在目标函数中记录参数、指标、标记和项目。