量子位 出品 | 公众号 QbitAI

机器学习啥最苦？十有八九找参数！

不少研究生，都被卡在这个环节上，久久不能毕业。

现在，圣诞节前，有了一个好消息！

Facebook宣布，开源自家一直在使用的无梯度优化工具：Nevergrad。

并“信誓旦旦”表示，这能让调整模型参数和超参数的过程变得更快、更容易。

但在Twitter上，仿佛起到了相反的效果。

有人看到这个消息之后，立马“梗”上心头：

NeverGraduate吗？

也有人调侃称，这绝对是那些博士读了6年的人心中的噩梦。

不过，调侃归调侃，人家可是货真价实的NeverGradient。

大多数人还是用转发、点赞表达了自己的态度。

这是个什么东东？

简单来说， 这是一个Python 3库，里面有很多不需要进行梯度计算的算法。这些算法有：

• 差分进化
• 序列二次规划
• FastGA
• 协方差矩阵自适应
• 用于噪声管理的种群控制方法
• 粒子群优化
• ……

它们都呈现在了一个标准的ask-and-tell Python框架中，同时，Facebook还配备了相关的测试和评估工具。

有没有一种热泪盈眶的感觉？

先别急……来看看效果怎么样。

拿起来就能用

就先从上面提到的算法来说吧。之前这些算法都是定制的，想要比较一个任务中各种算法的性能？要么行不通，要么得花大力气。

Facebook表示，有了Nevergrad，这些都不是问题。只要有用得着它的地方，拿起来就能用。

不仅能够比较不同方法的性能，还能与那些常用基准上的最先进水平进行比较，以及帮你为特定的用例找最好的优化方法。

应用场景很感人

先说Facebook的情况。博文中说，自家的研究团队已经在强化学习、图像生成以及各种各样的项目中使用Nevergrad了。

而且，Nevergrad的无梯度优化，还能广泛运用于各种机器学习问题。比如：

• 多模态问题，比如有几个最小值的问题。 (例如，语言建模深度学习的超参数化。)
• 病态问题，在试图优化几个具有非常不同动态的变量时，通常会出现这种问题。(例如，没有针对具体问题重新标定dropout和学习率。)
• 可分离或旋转的问题，包括部分旋转的问题。
• 部分可分离问题，可以考虑通过几个变量块来解决。 例子包括对深度学习或其他形式设计的架构搜索，以及多任务网络的参数化。
• 离散、连续或混合的问题。这些任务需要同时选择每层的学习速率、每层的权重衰减以及每层的非线性类型。
• 有噪声的问题，当使用完全相同的参数调用函数时，函数可以返回不同的结果，例如强化学习中的独立事件。

来，总结一下。

在机器学习中，Nevergrad可来调整超参数，如学习速率、动量、权重衰减(可能是每层)、 dropout和深层网络的每一部分的层参数等。

但从无梯度方法的角度来说，它也可以应用到电网管理、航空、镜头设计以及许多其他科学和工程中。

为了证明Nevergrad的能力。Facebook的团队使用 Nevergrad 实现了几个基准测试。

硬核示例：用Nevergrad生成算法基准

不同的例子对应于不同的设置(是否多模态，是否有噪声，是否离散，是否病态) ，并展示了如何使用Nevergrad确定最佳优化算法。

在每个基准测试中，他们对不同的x值进行了独立的实验。这确保了方法之间在几个x值上的一致排名具有统计学意义。

△噪声最优化示例

这个示例显示，使用pcCMSA – ES的噪声管理方法的TBPSA优于其他几种替代方案。

具体怎么比较的，Facebook在GitHub上开源了，传送门在文末。

Nevergrad也可以处理离散的目标函数，在许多机器学习案例中都会遇到这个问题。

例如，在有限的选项集(如神经网络中的激活函数)之间进行选择，以及在不同类型的层之间进行选择(例如，决定在网络中的某个位置是否需要跳过连接)。

现有的一些工具，比如Bbob和Cutest不包含任何离散的基准测试。但Nevergrad可以处理离散域。

方法有两个，一是通过softmax函数(将离散问题转化为有噪声的连续问题)，二是通过连续变量的离散化。

Facebook还专门做了一个测试。

如上图，测试中FastGA在这种情况下表现最好。有一点，DoubleFastGA对应于1/dim和( dim – 1 ) / dim之间的突变率，而不是1/dim和1/2。这是因为，原始范围对应的是一个二进制域，而在这里，Facebook考虑的是任意域。

好，到此，该说的都说了。

请收好传送门吧~

传送门

Nevergrad项目地址：

https://github.com/facebookresearch/nevergrad

博客地址：

https://code.fb.com/ai-research/nevergrad/

噪声最优化示例项目地址：

https://github.com/facebookresearch/nevergrad/blob/master/docs/benchmarks.md

“