贝叶斯优化

前言

贝叶斯优化(Bayesian Optimization)是最近机器学习领域内一个比较热门的话题,它应该是在神经网络各类超参数的优化中最先引起注意的。神经网络本身的数学模型很简单,想要它表现好,需要高超的调参技巧,比如隐层数量、每个隐层的单元数、梯度下降的步长(learning rate),每次mini batch所选择的样本数量等。这些参数人工调节很繁琐,因此大家就想到了自动调参。

网格搜索与随机搜索

一般简单的参数优化方法就是网格搜索(grid search),这属于暴力搜索,没有什么技巧,强行遍历。网格搜索在1维、2维、3维的搜索空间表现相对来说不错,很容易覆盖到空间的大部分,而且耗时不大。但它有个致命缺点,在高纬度会发生维度灾难。举个例子,假设在10维空间搜索,每个维度遍历5个值,那就是5^10=9,765,625;假设有20维,那就是 5^20 = 95,367,431,640,625。怎么样,在计算之前可能没想到结果会这么大吧?人对线性递增的物体能够估计的很好,碰到指数递增的物体则总是会犯错误,通常都会低估这种爆炸式的增长。

随机搜索(random search)被证明是比网格搜索更好的方法,但是“随机”性增加了不确定性,而且估计人们在心理上无法忍受这种失控感,因此它在实际应用中似乎应用不那么广泛。随机搜索能比网格搜索好的一个根本原因是搜索空间的低效维度特效(low effective dimensionality)。说白了,就是不同的维度重要性不一样,我们只要能够对目标函数值影响大的那些维度尽可能的覆盖就可以了,剩下的影响小的维度不需要浪费精力去覆盖。

下面这张图很明确地说明了两种方法的不同。这是个2维的搜索空间,竖直维度变化小、对目标函数影响不大;水平维度对目标函数影响更大。可以看到,在每个维度,网格搜索都浪费了6个点的机会,而随机分布则9个点几乎都利用上了!

Screen Shot 2017-03-15 at 23.19.51.png

随机搜索和网格搜索都具有一个盲目性的缺点,无论已经搜了多少次,还是不知道未来哪些点更有可能是最值点。所以他们都是”瞎的“、”不长记性“的模型。

定义

贝叶斯优化是一种寻找目标函数最值点的优化机制。
它主要针对黑盒函数,比如系统的性能如准确率、召回率、F值等都可以看做目标函数。它的本质其实是一种回归模型,即利用回归模型预测的函数值来选择下一个搜索点
贝叶斯优化有两个主要的要素:目标函数(objective function)和代理模型(surrogate model)

未完待续。。。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 151,511评论 1 330
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 64,495评论 1 273
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 101,595评论 0 225
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 42,558评论 0 190
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 50,715评论 3 270
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 39,672评论 1 192
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,112评论 2 291
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 29,837评论 0 181
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 33,417评论 0 228
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 29,928评论 2 232
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 31,316评论 1 242
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 27,773评论 2 234
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 32,253评论 3 220
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 25,827评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,440评论 0 180
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 34,523评论 2 249
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 34,583评论 2 249

推荐阅读更多精彩内容