超参数优化和神经网络架构搜索对于常规的黑盒贝叶斯优化来说可能变得代价高昂，因为单个模型的训练和评估很容易花费数小时。为了克服这个问题，我们引入了一套全面的工具，用于有效的多保真度贝叶斯优化及其运行分析。该工具集使用 Python 编写，提供了一种简单的方法来指定复杂的搜索空间，贝叶斯优化和 HyperBand 的强大而高效的组合，以及对优化过程及其结果的全面分析。
资源
- https://github.com/automl/BOAH：示例和 Jupyter Notebook
- https://github.com/automl/ConfigSpace: 配置空间，用于定义搜索空间
- https://github.com/automl/HpBandSter：BOHB、Hyperband、连续减半和随机搜索的实现
- https://github.com/automl/CAVE: HPO 运行的分析和可视化
- 示例 CAVE 报告 (30MB)