tf.contrib.constrained_optimization.find_best_candidate_index

Эвристически находит наилучшее кандидатское решение для задачи с ограничениями.

tf.contrib.constrained_optimization.find_best_candidate_index(
    objective_vector, constraints_matrix, rank_objectives=False
)

Эта функция обрабатывает задачу с ограничениями:

минимизировать f(w) при условии g_i(w) <= 0 для всех i в {0,1,...,m-1}

Здесь f(w) — «целевая функция», а g_i(w) — i-я (из m) «функция ограничения». Учитывая набор из n «кандидатских решений» {w₀,w₁,...,w_n-1}, эта функция находит «лучшее» решение в соответствии со следующим эвристическим алгоритмом:

1. Для всех моделей значения нарушения i-го ограничения (т.е. max{0, g_i(0)}) ранжируются, как и значения целевых функций (если rank_objectives=True).
2. Затем каждой модели присваивается максимальный ранг по всем m ограничениям (и целевой функции, если rank_objectives=True).
3. Затем определяется модель с минимальным максимальным рангом. При равенстве рангов используется значение целевой функции.
4. Возвращается индекс этой «лучшей» модели.

Параметр objective_vector должен быть массивом NumPy с формой (n,), для которого objective_vector[i] = f(w_i). Аналогично, constraints_matrix должен быть массивом NumPy с формой (m,n), для которого constraints_matrix[i,j] = g_i(w_j).

Для более подробной информации обратитесь к:

Cotter, Jiang и Sridharan. «Two-Player Games for Efficient Non-Convex Constrained Optimization». https://arxiv.org/abs/1804.06500

Эта функция реализует эвристику, используемую для поиска гиперпараметров в экспериментах раздела 5.2.