Facebook 发布无梯度优化开源工具 Nevergrad，可应用于各类机器学习问题

Nevergrad 平台还可以执行在很多机器学习场景中都会出现的离散目标函数。这些场景包括，举例来说，在一组有限的选项中进行选择（例如神经网络中的激活函数）和在层的各个类型中进行选择（例如，决定在网络中的某些位置是否需要跳过连接）。

现有的替代平台（Bbob 和 Cutest）并不包含任何离散的基准。Nevergrad 可以执行经过 softmax 函数（将离散问题转换成有噪声的连续问题）或连续变量离散化进行处理了的离散域。

Facebook 研究团队注意到在这个场景中，FastGA（https://arxiv.org/abs/1703.03334）的表现最好。DoubleFastGA 对应的是 1/dim 和 (dim-1)/dim 之间的突变率，而不对应 1/dim 和 1/2。这是因为原始范围对应于二进制域，而在这里，他们考虑的是任意域。在几种场景中，简单一致的突变率混合（https://arxiv.org/abs/1606.05551）表现良好。

为研究者和机器学习科学家扩展工具箱

Faacebook 将会持续为 Nevergrad 增加功能，从而帮助研究者创建和评估新算法。最初的版本拥有基本的人工测试功能，不过 Facebook 计划为其增加更多功能，其中包括表示物理模型的功能。在应用方面，他们将继续让 Nevergrad 变得更易用，并尝试用它来对无法很好地确定梯度的 PyTorch 增强学习模型中的参数进行优化。Nevergrad 还可以帮助 A/B 测试以及作业调度等其他任务进行参数扫描。

【编辑推荐】

1. 人工智能时代，荣之联助力新媒体开创新生态
2. 中国首款国产量子计算机控制系统诞生
3. 预测：2019将爆发的10项人工智能技术！
4. Julia vs Python：哪种编程语言会是2019年机器学习界的No 1？
5. 【WOT2018】如何利用数据训练人工智能？三位大咖教你挖掘数据价值

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!