Skip to content

Latest commit

 

History

History
150 lines (110 loc) · 7.94 KB

README_ru.md

File metadata and controls

150 lines (110 loc) · 7.94 KB
Raw

SAI ITMO

License: BSD 3-Clause python: 3.9 python: 3.8 docs: build: eng:

iOpt - фреймворк с открытым исходным кодом для автоматического выбора значений параметров как для математических моделей сложных промышленных процессов, так и для используемых в промышленности методов ИИ и МО. Фреймворк распространяется под лицензией 3-Clause BSD.

Основные возможности

  • Автоматический выбор значений параметров математических моделей и методов ИИ и МО, используемых в промышленности.
  • Интеллектуальное управление процессом выбора оптимальных параметров для промышленных задач.
  • Интеграция с внешними библиотеками или фреймворками искусственного интеллекта и машинного обучения, а также предметными моделями.
  • Автоматизация предварительного анализа исследуемых моделей, например, выделение различных классов зависимостей модели от разных групп параметров.
  • Визуализация процесса выбора оптимальных параметров.

Установка и настройка

В unix-подобных системах:

git clone https://github.com/UNN-ITMM-Software/iOpt
cd iOpt
pip install virtualenv
virtualenv ioptenv
source ioptenv/bin/activate
python setup.py install

В ОС Windows:

git clone https://github.com/UNN-ITMM-Software/iOpt
cd iOpt
pip install virtualenv
virtualenv ioptenv
ioptenv\Scripts\activate.bat
python setup.py install

Начать работать

Использование фреймворка iOpt для минимизации функции Растригина.

from problems.rastrigin import Rastrigin
from iOpt.solver import Solver
from iOpt.solver_parametrs import SolverParameters
from iOpt.method.listener import StaticNDPaintListener, ConsoleFullOutputListener

from subprocess import Popen, PIPE, STDOUT

if __name__ == "__main__":
 """
 Минимизация функции Растригина и визуализация
 """
 # Создание тестовой задачи
 problem = Rastrigin(2)
 # Установка параметров поиска оптимального решения
 params = SolverParameters(r=2.5, eps=0.01, iters_limit=300, refine_solution=True)
 # Создание решателя
 solver = Solver(problem, parameters=params)
 # Вывод результатов на консоль в процессе решения
 cfol = ConsoleFullOutputListener(mode='full')
 solver.add_listener(cfol)
 # 3D визуализация по окончании решения
 spl = StaticNDPaintListener("rastrigin.png", "output", vars_indxs=[0, 1], mode="surface", calc="interpolation")
 solver.add_listener(spl)
 # Запуск решения задачи
 sol = solver.solve()

Примеры

Продемонстрируем как использовать iOpt для настройки гиперпараметров модели машинного обучения. В метода опорных векторов (SVC) найдем оптимальные вещественные гиперпараметры (C - параметр регуляризации, gamma - коэффициент ядра) для решения задачи классификации рака молочной железы (подробное описание данных).

import numpy as np
from sklearn.utils import shuffle
from sklearn.datasets import load_breast_cancer

from iOpt.method.listener import StaticNDPaintListener, AnimationNDPaintListener, ConsoleFullOutputListener
from iOpt.solver import Solver
from iOpt.solver_parametrs import SolverParameters
from examples.Machine_learning.SVC._2D.Problems import SVC_2d


def load_breast_cancer_data():
 dataset = load_breast_cancer()
 x_raw, y_raw = dataset['data'], dataset['target']
 inputs, outputs = shuffle(x_raw, y_raw ^ 1, random_state=42)
 return inputs, outputs


if __name__ == "__main__":
 x, y = load_breast_cancer_data()
 regularization_value_bound = {'low': 1, 'up': 6}
 kernel_coefficient_bound = {'low': -7, 'up': -3}

 problem = SVC_2d.SVC_2D(x, y, regularization_value_bound, kernel_coefficient_bound)

 method_params = SolverParameters(r=np.double(3.0), iters_limit=100)
 solver = Solver(problem, parameters=method_params)

 apl = AnimationNDPaintListener("svc2d_anim.png", "output", vars_indxs=[0, 1], to_paint_obj_func=False)
 solver.add_listener(apl)

 spl = StaticNDPaintListener("svc2d_stat.png", "output", vars_indxs=[0, 1], mode="surface", calc="interpolation")
 solver.add_listener(spl)

 cfol = ConsoleFullOutputListener(mode='full')
 solver.add_listener(cfol)

 solver_info = solver.solve()

Структура проекта

Последняя стабильная версия iOpt находится в ветке main.

Репозиторий включает в себя следующие директории::

  • Пакет iOpt содержит ядро фреймворка в виде классов на языке Python.
  • Пакет examples содержит примеры применения фреймворка для модельных и прикладных задач.
  • Модульные тесты размещены в каталоге test.
  • Исходные файлы документации находятся в каталоге docs.

Документация

Подробное описание API фреймворка iOpt доступно в разделе Read the Docs.

Поддержка

Исследование проводится при поддержке Исследовательского центра сильного искусственного интеллекта в промышленности Университета ИТМО в рамках мероприятия программы центра: Фреймворк методов интеллектуальной эвристической оптимизации.