rapids-ai-BBO-2nd-place-solution

【文件属性】：
文件名称：rapids-ai-BBO-2nd-place-solution
文件大小：3.76MB
文件格式：ZIP
更新时间：2021-04-15 05:21:27
Python BBO NeurIPS 2020的NVIDIA RAPIDS.AI解决方案 我们获得了：找到用于机器学习的最佳黑盒优化器（BBO） 。 :party_popper: 我们提出了一种简单的黑箱优化器集成算法，该算法优于任何单个优化器，但在相同的时序预算内。 由于测试用例的数量随模型，数据集和指标呈指数增长，因此优化器的评估是一项计算量大且耗时的任务。 在我们的案例中，我们需要评估15个优化器，执行4,230个工作，训练270万个模型并运行541,440个优化（建议观察） 。 利用库和 ，我们的GPU加速详尽搜索能够在合理的时间内找到最佳集合。 在DGX-1上，搜索时间从两个20核CPU上的10天以上减少到了8个GPU上的24小时以下。 更新 我们的论文发表在arxiv上！ 如果您想引用我们的工作，请使用以下BibTeX： @misc{liu2020gpu, title={GPU Accelerated

【文件预览】：
rapids-ai-BBO-2nd-place-solution-master
----img()
--------bbo_table.png(103KB)
--------time.png(176KB)
--------rapids_bbo.png(354KB)
--------image1.png(126KB)
--------g1.png(118KB)
--------rapids_logo.png(111KB)
--------image5.png(141KB)
--------image2.png(266KB)
--------image3.png(467KB)
--------image4.png(173KB)
----utils.py(2KB)
----more_data()
--------hotel_bookings.csv(1.35MB)
--------higgs.csv(3.1MB)
--------housing.csv(674KB)
----run_one_opt.py(4KB)
----input()
--------baseline-16-8-cuml-all.json(146KB)
----README.md(6KB)
----example_submissions()
--------hyperopen()
--------turbopysot()
--------skopen()
--------skhyper()
--------hyperopt()
--------skpysot()
--------turbosk()
--------turbohyper()
--------turbo()
--------opentuner()
--------skopt()
--------pysot()
--------turboopen()
--------pysotopen()
--------hyperpysot()
----run_exhaustive_search.py(462B)
----.gitignore(44B)