Hyperband是机器学习中一个相当实用的超参数调优算法，核心思路是用逐次减半来分配计算资源。说白了就是让一堆配置先跑几轮，表现差的直接踢掉，剩下的继续训练更多轮次。
这个方法的巧妙之处在于平衡了探索和利用。你既要试足够多的配置组合（探索），又要给有潜力的配置足够的训练时间（利用）。传统方法要么试得不够多，要么每个都试要很久浪费时间。
本文我们来通过调优一个lstm来展示Hyperband的工作机制，并和贝叶斯优化、随机搜索、遗传算法做了对比。结果挺有意思的。
Hyperband的工作原理
Hyperband结合了多臂策略和逐次减半算法（SHA）。多臂问题其实就是在探索新选择和利用已知好选择之间做权衡。
SHA则是具体的资源分配策略如下：给随机采样的配置分配固定预算（比如训练轮数），每轮评估后踢掉表现最差的，把剩余预算分给剩下的。Hyperband更进一步，用不同的初始预算跑多次SHA，这样既能快速筛选，又不会遗漏那些需要长时间训练才能显现优势的配置。
相比其他调优方法，Hyperband在处理大搜索空间时速度和效率优势明显。
下图展示了Hyperband如何逐步给获胜配置（#4）分配更多资源，虽然最开始的预算分配是随机的：
Hyperband工作流程
整个过程从Bracket 1开始，创建很多超参数配置，每个分配少量预算。然后逐步减少配置数量，同时增加幸存者的预算。到了Bracket 2，只给Bracket 1的幸存者（配置#1和#4）更多预算。最终在Bracket 3把全部预算给最优配置#4。
这种做法能有效探索广泛配置范围，同时快速淘汰表现差的，在探索和利用间找到平衡。
算法的四个关键步骤
定义预算和减半因子
首先要定义最大资源预算R（单个模型能训练的总轮数）和减半因子η（决定淘汰激进程度的预设因子）。减半因子常用2、3或4。每步都用η来减少配置数量，用η来增加幸存者预算。
计算Bracket数量
算法跑一系列bracket，每个bracket是用不同起始预算的完整SHA运行。最大bracket索引s_max的计算公式是：
其中η是减半因子，R是最大资源预算。算法从s_max个bracket迭代到零。
运行逐次减半
对每个bracket s，Hyperband确定起始的超参数配置数量n_s。有意思的是，初始预算小的bracket配置数量大，初始预算大的bracket配置数量小。
配置数量的数学定义：
其中n_s是当前bracket要评估的配置数量，R是最大资源预算，η是减半因子，s_max是最大bracket数，s是当前bracket索引。
每个bracket的初始预算r_s计算公式：
Hyperband先采样n_s个随机超参数配置，用初始预算r_s轮训练每个。然后根据性能选出前n_s/η个配置。这些"幸存者"继续训练更多轮，总共r_s⋅η轮。
这个减半候选数量、增加预算的过程持续进行，直到bracket中只剩一个配置或达到最大预算。
选择最终配置
所有bracket跑完后，选择表现最好的配置作为最终结果。Hyperband的效率就来自快速丢弃表现差的配置，把资源用来训练更有前景的配置。
演示：支持向量分类器
我们用SVC来演示具体工作过程，调优正则化参数C和核系数gamma。
搜索空间：C取[0.1, 1, 10, 100]，gamma取['scale', 'auto', 0.1, 1, 10]
设置最大预算R = 81，减半因子η = 3。
最大bracket索引计算得出：
所以Hyperband会为s = 4, 3, 2, 1, 0运行bracket。每个bracket有不同的起始配置数量和初始预算：
Bracket 1 (s = 4)：1个配置，初始预算9
Bracket 2 (s = 3)：3个配置，初始预算3
Bracket 3 (s = 2)：9个配置，初始预算1
Bracket 4 (s = 1)：27个配置，初始预算1/3
Bracket 5 (s = 0)：81个配置，初始预算1/9
以Bracket 3为例说明SHA过程：
初始运行时，Hyperband随机采样9个超参数配置，用1轮小预算训练每个，记录性能，保留前3个最佳配置丢弃其余6个。
第二轮，3个幸存者用3轮更大预算训练，保留前1个最佳配置。
最终轮，剩余配置用9轮最终预算训练，记录最终性能。
总预算R = 81就这样分布在各个bracket中，高效找到最佳配置。
更多案例：
github.com/yjndsrt/cn/issues/966
github.com/yjndsrt/cn/issues/965
github.com/yjndsrt/cn/issues/964
github.com/yjndsrt/cn/issues/963
github.com/yjndsrt/cn/issues/962
github.com/yjndsrt/cn/issues/961
github.com/yjndsrt/cn/issues/960
github.com/yjndsrt/cn/issues/959
github.com/yjndsrt/cn/issues/958
github.com/yjndsrt/cn/issues/957
github.com/yjndsrt/cn/issues/956
github.com/yjndsrt/cn/issues/955
github.com/yjndsrt/cn/issues/954
github.com/yjndsrt/cn/issues/953
github.com/yjndsrt/cn/issues/952
github.com/yjndsrt/cn/issues/951
github.com/yjndsrt/cn/issues/950
github.com/yjndsrt/cn/issues/949
github.com/yjndsrt/cn/issues/948
github.com/yjndsrt/cn/issues/947
github.com/yjndsrt/cn/issues/946
github.com/yjndsrt/cn/issues/945
github.com/yjndsrt/cn/issues/944
github.com/yjndsrt/cn/issues/943
github.com/yjndsrt/cn/issues/942
github.com/yjndsrt/cn/issues/941
github.com/yjndsrt/cn/issues/940
github.com/yjndsrt/cn/issues/939
github.com/yjndsrt/cn/issues/938
github.com/yjndsrt/cn/issues/937
github.com/yjndsrt/cn/issues/936
github.com/yjndsrt/cn/issues/935
github.com/yjndsrt/cn/issues/934
github.com/yjndsrt/cn/issues/933
github.com/yjndsrt/cn/issues/932
github.com/yjndsrt/cn/issues/931
github.com/yjndsrt/cn/issues/930
github.com/yjndsrt/cn/issues/929
github.com/yjndsrt/cn/issues/928
github.com/yjndsrt/cn/issues/927
github.com/yjndsrt/cn/issues/926
github.com/yjndsrt/cn/issues/925
github.com/yjndsrt/cn/issues/924
github.com/yjndsrt/cn/issues/923
github.com/yjndsrt/cn/issues/922
github.com/yjndsrt/cn/issues/921
github.com/yjndsrt/cn/issues/920
github.com/yjndsrt/cn/issues/919
github.com/yjndsrt/cn/issues/918
github.com/yjndsrt/cn/issues/917
