Trains 应该如何与 Ray Tune 等超参数优化工具一起使用？
How should Trains be used with hyper-param optimization tools like RayTune?
什么是合理的设置？我可以在同一执行中多次调用 Task.init() 吗？
免责声明：我是 allegro.ai 培训团队的一员
一种解决方案是继承 trains.automation.optimization.SearchStrategy and extend the functionality. This is similar to the Optuna 集成，其中 Optuna 用于贝叶斯优化，而 Trains 执行 hyper-parameter 设置、启动实验和检索性能指标。
另一个选项（不可扩展但可能更容易开始）是使用 RayTuner 运行 你的代码（显然设置环境/git repo / docker 等在用户身上），让你的训练代码看起来像：
# create new experimnt
task = Task.init('hp optimization', 'ray-tuner experiment', reuse_last_task_id=False)
# store the hyperparams (assuming hparam is a dict)
task.connect(hparam)
# training loop here
# ...
# shutdown experimnt
task.close()
这意味着每次 RayTuner 执行脚本时，都会创建一个新的实验，使用一组新的超参数（假设 haparm 是一个字典，它将在实验中注册为 hyper-parameters)
什么是合理的设置？我可以在同一执行中多次调用 Task.init() 吗？
免责声明：我是 allegro.ai 培训团队的一员
一种解决方案是继承 trains.automation.optimization.SearchStrategy and extend the functionality. This is similar to the Optuna 集成，其中 Optuna 用于贝叶斯优化，而 Trains 执行 hyper-parameter 设置、启动实验和检索性能指标。
另一个选项（不可扩展但可能更容易开始）是使用 RayTuner 运行 你的代码（显然设置环境/git repo / docker 等在用户身上），让你的训练代码看起来像：
# create new experimnt
task = Task.init('hp optimization', 'ray-tuner experiment', reuse_last_task_id=False)
# store the hyperparams (assuming hparam is a dict)
task.connect(hparam)
# training loop here
# ...
# shutdown experimnt
task.close()
这意味着每次 RayTuner 执行脚本时，都会创建一个新的实验，使用一组新的超参数（假设 haparm 是一个字典，它将在实验中注册为 hyper-parameters)