Optuna这个备受欢迎的超参数优化框架在近期发布了其第四个主要版本。自2018年首次亮相以来，Optuna不断发展，现已成为机器学习领域的重要工具。其用户社区持续壮大，目前已达到以下里程碑：

10,000+ GitHub星标每月300万+ 下载量16,000+ 代码库使用5,000+ 论文引用18,000+ Kaggle的code使用

Optuna 4.0的开发重点包括：

用户间功能共享: 引入OptunaHub平台，便于共享新的采样器和可视化算法。优化生成式AI和多样化计算环境:- 正式支持Artifact Store，用于管理生成的图像和训练模型。- 稳定支持NFS的JournalStorage，实现分布式优化。核心功能增强:- 多目标TPESampler的显著加速- 新Terminator算法的引入

主要新特性

OptunaHub: 功能共享平台

OptunaHub (hub.optuna.org) 作为Optuna的官方功能共享平台正式发布。它提供了大量优化和可视化算法，使开发者能够轻松注册和分享他们的方法。这个平台的推出预计将加速功能开发，为用户提供更多样化的第三方功能。

Artifact Store: 增强实验管理

Artifact Store是一个专门用于管理优化过程中生成文件的功能。它可以有效处理：

生成式AI输出的文本、图像和音频文件深度学习模型的大型快照文件

这些文件可以通过Optuna Dashboard进行查看。Optuna 4.0稳定了文件上传API，并新增了artifact下载API。同时Dashboard新增了对JSONL和CSV文件的支持。

JournalStorage: 支持NFS分布式优化

JournalStorage是一种基于操作日志的新型存储方式，它简化了自定义存储后端的实现。其中，

<code>JournalFileBackend

支持多种文件系统，包括NFS，可以实现跨节点的分布式优化。这对于难以设置传统数据库服务器的环境尤其有用。

使用示例：

importoptuna

fromoptuna.storagesimportJournalStorage

fromoptuna.storages.journalimportJournalFileBackend

defobjective(trial: optuna.Trial) ->float:

...

storage=JournalStorage(JournalFileBackend("./journal.log"))

study=optuna.create_study(storage=storage)

study.optimize(objective)

新Terminator算法

为解决超参数过拟合问题，Optuna引入了新的Terminator算法。它可以在超参数过拟合之前终止优化过程，或者帮助用户可视化过拟合开始的时间点。新版本引入了预期最小模型遗憾（EMMR）算法，以支持更广泛的用例。

约束优化增强

Optuna 4.0增强了约束优化功能，特别是：

study.best_trial和study.best_trials现在保证满足约束条件核心算法（如TPESampler和NSGAIISampler）对约束优化的支持得到改进

多目标TPESampler的加速

多目标优化在机器学习中扮演着越来越重要的角色。例如，在翻译任务中，我们可能需要同时优化翻译质量（如BLEU分数）和响应速度。这种情况下，多目标优化比单目标优化更为复杂，通常需要更多的试验来探索不同目标之间的权衡。

TPESampler（Tree-structured Pareto Estimation Sampler）是Optuna中一个强大的采样器，它在多目标优化中展现出了优秀的性能。与默认的NSGAIISampler相比，TPESampler具有以下优势：

更高的样本效率，特别是在1000-10000次试验的范围内能够处理动态搜索空间支持用户定义的类别距离

在之前版本的TPESampler在处理大量试验时存在性能瓶颈，限制了其在大规模多目标优化中的应用。

性能提升

Optuna 4.0对多目标TPESampler进行了显著优化：

三目标优化场景下，200次试验的速度提高了约300倍能够高效处理数千次试验的多目标优化

这一改进主要通过优化以下算法实现：

WFG（加权超体积增益）计算非支配排序HSSP（超体积子集选择问题）

TPESampler的工作原理

TPESampler基于树形Pareto估计（TPE）算法。在多目标优化中，它的工作流程如下：

将观察到的试验分为非支配解和支配解两组为每个参数构建两个概率分布：一个基于非支配解，另一个基于支配解使用这些分布来指导下一个试验点的选择，倾向于选择可能产生非支配解的参数值

这种方法允许算法在探索（寻找新的有希望的区域）和利用（优化已知的好区域）之间取得平衡。

使用TPESampler进行多目标优化示例

以下是使用TPESampler进行多目标优化的简单示例：

importoptuna

defobjective(trial):

x=trial.suggest_float("x", -5, 5)

y=trial.suggest_float("y", -5, 5)

objective_1=x**2+y**2

objective_2= (x-2)**2+ (y-2)**2

returnobjective_1, objective_2

sampler=optuna.samplers.TPESampler()

study=optuna.create_study(sampler=sampler, directions=["minimize", "minimize"])

study.optimize(objective, n_trials=100)

在这个例子中，定义了一个具有两个目标的优化问题。TPESampler被用作采样器，study被设置为最小化两个目标。

基准测试结果

测试环境：

Ubuntu 20.04Intel Core i7-1255U CPUPython 3.9.13NumPy 2.0.0

测试结果如图所示：

可以看到：

Optuna 4.0中双目标优化性能接近单目标优化三目标优化在200次试验时，运行时间从约1,000秒减少到约3秒新版本在3-5个目标的情况下仍保持高效

TPESampler vs. NSGAIISampler

虽然NSGAIISampler是Optuna中默认的多目标优化采样器，但TPESampler在某些情况下可能更为有效：

大规模优化：在1000-10000次试验的范围内，TPESampler通常表现更好复杂搜索空间：对于具有条件参数或动态搜索空间的问题，TPESampler更为灵活高维参数空间：TPESampler在处理高维参数空间时通常更有效

选择合适的采样器还应该基于具体问题和计算资源。可以尝试两种采样器，比较它们在特定问题上的性能。

结论与展望

Optuna 4.0通过引入新功能和优化现有算法，大幅提升了其在复杂优化任务和多样化计算环境中的适用性。特别是多目标TPESampler的性能提升，为处理更复杂的优化问题铺平了道路。

TPESampler的显著加速使得Optuna能够更有效地处理大规模多目标优化问题。这一改进对于需要同时优化多个目标的复杂机器学习任务（如大型语言模型的训练）具有重要意义。

在官方的发布中Optuna团队还提到后面的工作：

扩展问题设置的适用范围通过OptunaHub支持更多创新算法进一步优化性能和用户体验改进TPESampler和其他采样器在更广泛场景下的性能

研发团队鼓励用户尝试新版本的多目标TPESampler，Optuna有望在未来版本中提供更强大、更灵活的超参数优化解决方案。

https://avoid.overfit.cn/post/8d9596779bcc44a79f2a53a2a8d02e24