文件名称：芒果：Python中的并行超参数优化
文件大小：9.5MB
文件格式：ZIP
更新时间：2024-03-15 03:47:52
machine-learning neural-network parallel-computing neural-networks hyperparameter-optimization
芒果：平行的黑匣子优化库 Mango是一个python库，用于在复杂搜索空间上进行并行优化。 目前，Mango旨在为机器学习算法找到最佳的超参数。 查看Mango的快速12秒演示，该演示近似于SVM的复杂决策边界 Mango在内部使用基于高斯过程的多臂Bandit贝叶斯优化器的并行实现。 芒果的一些突出特点是： 能够轻松定义与scikit-learn随机搜索和gridsearch函数兼容的复杂搜索空间。 内部使用最先进的优化器，该优化器允许并行采样一批值以进行评估。 目标函数可以任意复杂，可以在本地，群集或云基础结构上进行调度。 易于使用的功能是通过插入用于搜索空间的新发行版和新的优化程序算法来牢记的。 指数 1.安装 使用pip ： pip install arm-mango 来自来源： $ git clone https://github.com/ARM-softw
【文件预览】：
mango-master
----License.txt(11KB)
----examples()
--------KNN_Celery.ipynb(130KB)
--------Convex_Function_Example_1D.ipynb(69KB)
--------knn_celery.py(1KB)
--------SVM_Example.ipynb(135KB)
--------Xgboost_XGBClassifier.ipynb(136KB)
--------NeuralNetwork_Simple.ipynb(7KB)
--------Prophet_Celery.ipynb(700KB)
--------Xgboost_Example.ipynb(810KB)
--------Prophet_Classifier.ipynb(694KB)
--------KNN_Example.ipynb(48KB)
--------knn_serial.py(946B)
--------Getting_Started.ipynb(6KB)
--------Bitfarm_Function.ipynb(37KB)
--------requirements.txt(1KB)
--------__init__.py(0B)
--------Convex_Function_Example_Random_Bayesian_Comparison.ipynb(165KB)
--------Rosenbrock_Valley_Example.ipynb(80KB)
--------simple_celery.py(710B)
--------classifiers()
--------Multiple_Local_Optima_Example.ipynb(146KB)
--------Branin_Benchmark.ipynb(6KB)
--------Convex_Function_Example.ipynb(106KB)
--------Simple_Function.ipynb(122KB)
--------Failure_Handling.ipynb(3KB)
--------Debugging_Mango.ipynb(20KB)
--------simple_parallel.py(603B)
--------SVM_Example_Screen_shot.ipynb(132KB)
--------getting_started.py(677B)
----LICENSE(11KB)
----setup.cfg(39B)
----setup.py(797B)
----README.md(16KB)
----documents()
--------Mango_github_slides.pdf(1.62MB)
--------Mango_video_svm.mp4(351KB)
--------demo_video.png(786KB)
----tests()
--------test_domain_space.py(3KB)
--------test_mango.py(9KB)
----.gitignore(1KB)
----mango()
--------domain()
--------__init__.py(91B)
--------scheduler.py(2KB)
--------tuner.py(12KB)
--------optimizer()
----benchmarking()
--------Convex_Function_1D_Serial.ipynb(157KB)
--------Final_XGBoost_Parallel_Mango.ipynb(65KB)
--------Final_Camel_Random.ipynb(54KB)
--------Final_XGBoost_Random.ipynb(7KB)
--------Final_SVM_Parallel_Mango_Clustering.ipynb(62KB)
--------Final_Camel_HyperOpt_All_Plots_working.ipynb(159KB)
--------Time_Calculations.ipynb(115KB)
--------Final_Convex_Function_Uniform_1D_Serial_Random.ipynb(83KB)
--------Convex_Function_Uniform_1D_Random.ipynb(147KB)
--------Final_SVM_Parallel_Mango_working.ipynb(7KB)
--------Convex_Function_1D_HyperOpt.ipynb(184KB)
--------Final_Brann_Benchmark_All_Plots.ipynb(166KB)
--------Convex_Function_Uniform_1D_Serial.ipynb(130KB)
--------Final_Convex_Function_Uniform_1D_Parallel_Mango_Working.ipynb(68KB)
--------Final_XGBoost_Serial_Mango.ipynb(7KB)
--------Final_SVM_Serial_Mango.ipynb(60KB)
--------1D_Mango_Different_Parallelization.ipynb(576KB)
--------Final_SVM_HyperOpt_All_Plots_working.ipynb(165KB)
--------Convex_Function_1D_Parallel_5.ipynb(161KB)
--------Final_Camel_Batch_Mango_Clustering.ipynb(49KB)
--------Convex_Function_1D_Random.ipynb(144KB)
--------Final_Convex_Function_Uniform_1D_Serial_Mango_Plots.ipynb(67KB)
--------Final_Convex_Function_1D_HyperOpt.ipynb(170KB)
--------Final_XGBoost_Serial_Mango_Alpha.ipynb(60KB)
--------Final_Camel_Serial_Mango_Only_Alpha.ipynb(62KB)
--------1D_Mango_Visualizations.ipynb(163KB)
--------Final_Camel_Serial_Mango.ipynb(49KB)
--------Final_XGBoost_Parallel_Mango_Clustering.ipynb(33KB)
--------Final_XGBoost_HyperOpt_All_Plots.ipynb(185KB)
--------Xgboost_XGBClassifier_Serial.ipynb(158KB)
--------Final_SVM_Random.ipynb(57KB)
--------Final_Camel_Batch_Mango.ipynb(48KB)
--------Hyperopt bitfarm.ipynb(2KB)