大多數(shù)機器學習任務——從自然語言處理、圖像分類到翻譯以及大量其他任務，都依賴于無梯度優(yōu)化來調(diào)整模型中的參數(shù)和/或超參數(shù)。為了使得參數(shù)/超參數(shù)的調(diào)整更快、更簡單，F(xiàn)acebook 創(chuàng)建了一個名叫 Nevergrad（https://github.com/facebookresearch/nevergrad） 的 Python 3 庫，并將它開源發(fā)布。Nevergrad 提供了許多不依賴梯度計算的優(yōu)化算法，并將其呈現(xiàn)在標準的問答 Python 框架中。此外，Nevergrad 還包括了測試和評估工具。

Nevergrad 現(xiàn)已對外開放，人工智能研究者和其他無梯度優(yōu)化相關工作者馬上就可以利用它來協(xié)助自己的工作。這一平臺不僅能夠讓他們實現(xiàn)***進的算法和方法，能夠比較它們在不同設置中的表現(xiàn)，還將幫助機器學習科學家為特定的使用實例找到***優(yōu)化器。在 Facebook 人工智能研究院（FAIR），研究者正將 Nevergrad 應用于強化學習、圖像生成以及其他領域的各類項目中，例如，它可以代替參數(shù)掃描來幫助更好地調(diào)優(yōu)機器學習模型。

這個庫包含了各種不同的優(yōu)化器，例如：

• 差分進化算法（Differential evolution）

• 序列二次規(guī)劃（Sequential quadratic programming）

• FastGA

• 協(xié)方差矩陣自適應（Covariance matrix adaptation）

• 噪聲管理的總體控制方法（Population control methods for noise management）

• 粒子群優(yōu)化算法（Particle swarm optimization）

在此之前，使用這些算法往往需要研究者自己編寫算法的實現(xiàn)，這就讓他們很難在各種不同的***方法之間進行比較，有時候甚至完全無法比較。現(xiàn)在，AI 開發(fā)者通過使用 Nevergrad，可以輕易地在特定的機器學習問題上對不同方法進行測試，然后對結(jié)果進行比較。或者，他們也可以使用眾所周知的基準來評估——與當前***進的方法相比，新的無梯度優(yōu)化方法怎么樣。

Nevergrad 中所包含的無梯度優(yōu)化方法可用于各類機器學習問題，例如：

• 多模態(tài)問題，比如說擁有多個局部極小值的問題。（如用于語言建模的深度學習超參數(shù)化。）

• 病態(tài)問題，通常在優(yōu)化多個具有完全不同的動態(tài)特性的變量的時候，該問題就會出現(xiàn)（如，未對特定問題進行調(diào)整的丟棄和學習率）。

• 可分離或旋轉(zhuǎn)問題，其中包括部分旋轉(zhuǎn)問題。

• 部分可分離問題，可以考慮通過幾個變量塊來解決這類問題。示例包括深度學習或其他設計形式的架構(gòu)搜索，以及多任務網(wǎng)絡的參數(shù)化。

• 離散的、連續(xù)的或混合的問題。這些問題可以包括電力系統(tǒng)（因為有些發(fā)電站具有可調(diào)連續(xù)輸出，而其他發(fā)電站則具有連續(xù)或半連續(xù)輸出）或者要求同時選擇每層的學習速率、權(quán)值衰減以及非線性類型的神經(jīng)網(wǎng)絡任務。

• 有噪聲的問題，即針對這一問題，函數(shù)被完全相同的參數(shù)調(diào)用時可以返回不同結(jié)果，例如強化學習中的不同關卡。

在機器學習中，Nevergrad 可用于調(diào)整參數(shù)，例如學習率、動量、權(quán)值衰減（或許每一層）、dropout（丟棄）算法、深度網(wǎng)絡每個部分的層參數(shù)及其他等。更為普遍地，非梯度方法同樣被用于電網(wǎng)管理（https://www.sciencedirect.com/science/article/pii/S0142061597000409）、航空（https://www.sciencedirect.com/science/article/pii/S0142061597000409）、鏡頭設計（https://www.researchgate.net/publication/222434804_Human-competitive_lens_system_design_with_evolution_strategies）以及許多其他的科學和工程應用中。

為什么有無梯度優(yōu)化的需求

在某些場景中，例如在神經(jīng)網(wǎng)絡權(quán)重優(yōu)化中，以分析法去計算函數(shù)的梯度是簡單的。然而，在其他場景中，例如當計算函數(shù) f 的速度慢，或者域不連續(xù)的時候，函數(shù)的梯度就無法預估出來。在這些應用實例中，無梯度方法提供了解決方案。

一個簡單的無梯度解決方案是隨機搜索，它由隨機采樣大量的搜索點、對每個搜索點進行評估、選擇***搜索點三個步驟組成。隨機搜索在許多簡單場景中表現(xiàn)很好，但在高維場景中卻表現(xiàn)不佳。通常被用于機器學習參數(shù)調(diào)整的網(wǎng)格搜索，也面臨類似的限制。不過，也還有許多替代方法：其中一些來自應用數(shù)學，如序列二次規(guī)劃，它對模擬器的二次近似進行更新；貝葉斯優(yōu)化也建立目標函數(shù)模型，其中包括不確定性模型；進化計算包含大量關于選擇、變異以及混合有前景的變體的工作。

這個示例展示了進化算法如何運行。在函數(shù)空間中采樣搜索點，并選擇***點的群落，然后在已有點的周圍推薦出新的點來嘗試優(yōu)化當前的點群落。

使用 Nevergrad 生成算法基準

Facebook 研究團隊使用了 Nevergrad 實現(xiàn)幾個基準測試，來展示特定算法在特定情況下的表現(xiàn)***。這些眾所周知的示例對應著各種不同設置（多峰或非多峰，噪聲或非噪聲，離散或非離散，病態(tài)或非病態(tài)），并展示了如何使用 Nevergrad 來確定***優(yōu)化算法。

在每個基準測試中，F(xiàn)acebook 研究團隊對不同的 X 值進行了獨立實驗。這確保了在幾個 X 值上的各個方法之間的一致排序在統(tǒng)計上是顯著的。除了下面的兩個基準示例，這里（https://github.com/facebookresearch/nevergrad/blob/master/docs/benchmarks.md）還有一份更全面的清單，并附上了如何使用簡單的命令行重新運行這些基準的指南。

這個圖展示了一個噪聲優(yōu)化示例

這個示例展示了使用 pcCMSA-ES 噪聲管理原理（https://homepages.fhv.at/hgb/New-Papers/PPSN16_HB16.pdf）的 TBPSA 如何在表現(xiàn)上勝過幾種替代方案。Facebook 研究團隊在這里只將 TBPSA 與算法的一個有限示例進行了對比，不過，比起其他的方法，它的表現(xiàn)同樣更好。

Nevergrad 平臺還可以執(zhí)行在很多機器學習場景中都會出現(xiàn)的離散目標函數(shù)。這些場景包括，舉例來說，在一組有限的選項中進行選擇（例如神經(jīng)網(wǎng)絡中的激活函數(shù)）和在層的各個類型中進行選擇（例如，決定在網(wǎng)絡中的某些位置是否需要跳過連接）。

現(xiàn)有的替代平臺（Bbob 和 Cutest）并不包含任何離散的基準。Nevergrad 可以執(zhí)行經(jīng)過 softmax 函數(shù)（將離散問題轉(zhuǎn)換成有噪聲的連續(xù)問題）或連續(xù)變量離散化進行處理了的離散域。

Facebook 研究團隊注意到在這個場景中，F(xiàn)astGA（https://arxiv.org/abs/1703.03334）的表現(xiàn)***。DoubleFastGA 對應的是 1/dim 和 (dim-1)/dim 之間的突變率，而不對應 1/dim 和 1/2。這是因為原始范圍對應于二進制域，而在這里，他們考慮的是任意域。在幾種場景中，簡單一致的突變率混合（https://arxiv.org/abs/1606.05551）表現(xiàn)良好。

為研究者和機器學習科學家擴展工具箱

Faacebook 將會持續(xù)為 Nevergrad 增加功能，從而幫助研究者創(chuàng)建和評估新算法。最初的版本擁有基本的人工測試功能，不過 Facebook 計劃為其增加更多功能，其中包括表示物理模型的功能。在應用方面，他們將繼續(xù)讓 Nevergrad 變得更易用，并嘗試用它來對無法很好地確定梯度的 PyTorch 增強學習模型中的參數(shù)進行優(yōu)化。Nevergrad 還可以幫助 A/B 測試以及作業(yè)調(diào)度等其他任務進行參數(shù)掃描。