Menü

Machine Learning: Das Framework Optuna 1.0 soll Hyperparameter optimieren

Das für Machine Learning mit Python ausgelegte Framework Optuna soll in seiner ersten Version Optimierungsfunktionen für Hyperparameter zugänglich machen.

Lesezeit: 1 Min.
In Pocket speichern
vorlesen Druckansicht Kommentare lesen

(Bild: Machine Learning & Artificial Intelligence / Mike MacKenzie / cc-by-2.0))

Von

Das japanische Softwareunternehmen Preferred Networks hat die erste Hauptversion des Machine-Learning-Frameworks Optuna veröffentlicht. Es ist auf in Python geschriebene Machine-Learning-Applikationen zugeschnitten. Hauptaufgabe ist die sogenannte Hyperparameter Optimization (HPO), also eine Verbesserung jener Parameter, die beim Training der Lernmodelle bereits vor dem Start festgelegt sind. Optuna bietet für deren Konfiguration Automatisierungsmöglichkeiten, die die Arbeit laut dem Unternehmen beschleunigen sollen.

Optuna verfügt über eine Integration zu einem Großteil der populären Machine-Learning-Bibliotheken: PyTorch, TensorFlow, Keras, FastAI, scikit-learn, LightGBM und XGBoost. Es unterstützt Python 3.5 und neuere Versionen, das Unternehmen verspricht außerdem eine Installation ohne große Anforderungen. Entwickler sollen damit Search Spaces in Python ohne eine domänenspezifische Sprache (Domain-Specific Language, DSL) umsetzen können. Außerdem umfasst das Framework eine Reihe an Algorithmen zum Durchsuchen der Search Spaces, ohne großen Ressourcenverbrauch.

Im Vergleich zu anderen HPO-Frameworks setzt Optuna keine Kenntnisse weiterer Sprachen voraus. Erklärtes Ziel war es, dass Entwickler Python einsetzen können, ohne dafür Performance einzubüßen. Das Unternehmen zieht in einem Diagramm einen Vergleich zu einem bestehenden HPO-Framework – jedoch ohne Namensnennung. Hier scheint Optuna schneller Fehler im Algorithmus zu reduzieren. Weitere Daten liegen jedoch nicht vor.

Optuna im Vergleich mit einem anderen HPO-Framework

(Bild: Preferred Networks)

Weitere Details zu Optuna bietet der Blogbeitrag zum Release. Wer das Framework ausprobieren möchte, findet im zugehörigen GitHub-Repostiory eine kurze Anleitung. (bbo)