только целочисленные скалярные массивы могут быть преобразованы в ошибку скалярного индекса в Hyperopt - PullRequest
Новая
       49

только целочисленные скалярные массивы могут быть преобразованы в ошибку скалярного индекса в Hyperopt

0 голосов
/ 17 февраля 2020

Я пытаюсь оптимизировать набор параметров с помощью библиотеки Hyperopt . Я реализовал код, следующий за этим учебником. Все работает нормально, пока я ставлю max_evals менее чем на 30 прогонов. Когда я ставлю max_evals на 30, я получаю следующую ошибку на 20-й итерации:

Traceback (последний вызов был последним): Файл "/ Users / sulekahelmini / Documents / fyp / fyp_work / MLscripts / Optimizehyperopt.py ", строка 149, в испытаниях = испытания) Файл" /Users/sulekahelmini/Documents/fyp/condaEnv/envConda/lib/python3.7/site-packages/hyperopt/fmin.py " строка 482, в fmin show_progressbar = show_progressbar, файл "/Users/sulekahelmini/Documents/fyp/condaEnv/envConda/lib/python3.7/site-packages/hyperopt/base.py", строка 686, в fmin show_progressbar = show_progressbar, Файл "/Users/sulekahelmini/Documents/fyp/condaEnv/envConda/lib/python3.7/site-packages/hyperopt/fmin.py", строка 509, в файле fmin rval.exhaust () "/ Пользователи / sulekahelmini / Documents / fyp / condaEnv / envConda / lib / python3 .7 / site-packages / hyperopt / fmin.py ", строка 330, в выхлопной системе self.run (self.max_evals - n_done, block_until_done = self. асинхронный) Файл "/Users/sulekahelmini/Documents/fyp/condaEnv/envConda/lib/python3.7/site-packages/hyperopt/fmin.p y ", строка 266, в запуске new_ids, self.domain, trials, файл self.rstate.randint (2 ** 31 - 1)" / Users / sulekahelmini / Documents / fyp / condaEnv / envConda / lib / python3. 7 / site-packages / hyperopt / tpe.py ", строка 939, в предложении idxs, vals = pyll.rec_eval (posterior, memo = memo, print_node_on_error = False) Файл" / Users / sulekahelmini / Documents / fyp / condaEnv / envConda /lib/python3.7/site-packages/hyperopt/pyll/base.py ", строка 911, в rec_eval rval = scope._impls [имя_узла] (* args, ** kwargs) Файл" / Users / sulekahelmini / Documents / fyp / condaEnv / envConda / lib / python3 .7 / site-packages / hyperopt / tpe.py ", строка 430, в adaptive_parzen_normal srtd_mus [: prior_pos] = mus [order [: prior_pos]] TypeError: только целочисленные скалярные массивы могут быть преобразованы в скалярный индекс

Ниже показан мой код, Что я здесь не так делаю? 

from hyperopt import hp, tpe, fmin, Trials, STATUS_OK
import hyperopt.pyll.stochastic
import pandas as pd
import sys
import subprocess
import csv
import argparse


space={}
fileName="JVMFlags_GC_Com.csv"
isFirstRun="False"

def ConstructSpace(df):

    dependent= None
    for row in df.itertuples():

        if(row.Type == "int" or row.Type=="positive int"):
            if(not (pd.isnull(row.Range))):
                split_range = str(row.Range).split("/")
            else:
                if(sys.maxsize > 2**32):
                    split_range = str(row.OS_64).split("/")
                else:
                    split_range = str(row.OS_32).split("/")

            if(row.Name == "ms"):
                dependent = hp.uniform(row.Name,int(split_range[0]),int(split_range[1]))
                space[row.Name] = dependent
                continue
            elif(row.Name == "mx"):
                space[row.Name] = hp.uniform(row.Name, dependent, int(split_range[1]))
            else:
                space[row.Name] = hp.uniform(row.Name,int(split_range[0]),int(split_range[1]))

        elif(row.Type == "bool"):
            space[row.Name] = hp.choice(row.Name, [True,False])

        elif(row.Type =="choice"):
            split_range = str(row.Range).split("_")
            choice_list=[]
            for element in split_range:
                choice_list.append(element)
            space[row.Name] = hp.choice(row.Name, choice_list)


def WriteFlags(param):

    df = pd.read_csv(fileName)

    with open("flags.txt", "w") as flag_file:
        for row in df.itertuples():

            if(row.Type == "bool"):
                if(param[row.Name]):
                    flagName = "-XX:+"+row.Name
                else:
                    flagName = "-XX:-" + row.Name


            elif (row.Name == "ms" or row.Name == "mx"):
                tempVal= int(float(param[row.Name]))
                flagName = "-X" + row.Name + str(tempVal)
            elif(row.Type == "int" or row.Type=="positive int" or row.Type =="choice"):
                tempVal = int(float(param[row.Name]))
                flagName = "-XX:" + row.Name+"="+ str(tempVal)

            flag_file.write(flagName+" ")

def WriteCsv(param):

    df = pd.read_csv(fileName)
    latency_res = pd.read_csv("agg_test.csv")

    with open('temp_opt_res.csv', mode='a') as opt_file:
        writer = csv.writer(opt_file, delimiter=',')
        valuList=[]

        for row in df.itertuples():
            valuList.append(int(float(param[row.Name])))

        bottom = latency_res.tail(1)
        valuList.append(bottom["Average"].values[0])
        valuList.append(bottom["Median"].values[0])
        valuList.append(bottom["90% Line"].values[0])
        valuList.append(bottom["95% Line"].values[0])
        valuList.append(bottom["99% Line"].values[0])
        valuList.append(bottom["Error %"].values[0])
        valuList.append(bottom["Throughput"].values[0])
        writer.writerow(valuList)


def HyperparameterTuning(param):
    WriteFlags(param)
    subprocess.check_call(['./microwise.sh', isFirstRun])
    WriteCsv(param)
    latency_vals = pd.read_csv("agg_test.csv")
    bottom = latency_vals.tail(1)
    print(bottom["99% Line"].values[0])

    return {'loss': bottom["99% Line"].values[0], 'status': STATUS_OK}


if __name__ == "__main__":

    df = pd.read_csv(fileName)
    ConstructSpace(df)

    with open('temp_opt_res.csv', mode='w') as opt_file:
            writer = csv.writer(opt_file, delimiter=',')
            flagList = df['Name'].tolist()
            flagList.append("Average")
            flagList.append("Median")
            flagList.append("90%")
            flagList.append("95%")
            flagList.append("99%")
            flagList.append("Error%")
            flagList.append("Throughput")
            writer.writerow(flagList)

    # parser = argparse.ArgumentParser(description='Short sample app')
    # parser.add_argument('--fileName', action="store", dest='fileName')
    # parser.add_argument('--isFirstIteration', action="store", dest='isFirstIteration')
    # parser.add_argument('--isFirstRun', action="store", dest='isFirstRun')
    # args = parser.parse_args()
    #
    # fileName=args.fileName
    # isFirstIteration=args.isFirstIteration
    # isFirstRun=args.isFirstRun

    trials = Trials()
    best = fmin(fn=HyperparameterTuning,
                    space=space,
                    algo=tpe.suggest,
                    max_evals=30,
                    trials=trials)

    print (best)
...