Python TPE（来自Optuna）是否考虑了试验次数？

我正在使用optuna的TPE采样器优化深度学习视觉模型的超参数。 我想知道OPC是否会根据试验的数量调整搜索

如果我训练1000次，然后停在500次，我可以看到很多参数没有被算法尝试过。 如果我减少n_试验，TPE探索是否更快（更不精确）？ 换句话说，用n_步长=1000在500处中断optuna与使用n_试验=500并等待结束是一样的

我对TPE的工作原理只有基本的了解

谢谢

如果我减少n_试验，TPE探索是否更快（更不精确）

没有

。。。使用n_step=1000在500中断optuna与使用n_trials=500并等待结束是否相同

对

---

这是因为TPE（来自Optuna）不知道剩余（或全部）试验的数量。

你好，Phi，让我澄清你的问题。你使用迭代这个词的意思是什么？与小批量数量相对应的训练循环计数，或与超参数集数量相对应的Optuna试验数量？我在想优化函数中的n_试验参数。感谢您的回复和更新说明。我明白。@user11409592您能/愿意引用源代码作为您的答案吗？这是实现的源代码。它不依赖于用户指定的试验次数。您还可以从外部试验循环中看到，除了

n_试验

，还有其他停止条件，即使用

超时指定的运行时间