昨天完成了SMBO的迁移学习，现在记录一下具体做了哪些修改，方便以后复盘。
首先是在resource_manager.py中，调用from dsmac.runhistory.runhistory_db import RunHistoryDB的ORM类做数据库迁移。
修改了dsmac.runhistory.runhistory.RunHistory#get_incumbent，取最优解的时候加了等于当前instance的限制条件。
在dsmac.optimizer.ei_optimization.LocalSearch#_get_initial_points，做近邻搜索的部分。configs_previous_runs表示之前搜索过的点，然后在这些点附近做近邻搜索。对于这些点同样加上了instance限制条件。
最后就是dsmac.intensification.intensification.Intensifier#intensify函数了。
首先在dsmac/intensification/intensification.py:191这里加了对于challenger是否存在runhistory中instance为当前instance的判断。
对于dsmac.intensification.intensification.Intensifier#_race_challenger函数，dsmac/intensification/intensification.py:371有个for循环有点诡异，删除了，后面try代码块中的表达式也做了相应的修改。
每次迭代完在dsmac/intensification/intensification.py:239这个地方都会打印个信息，其中有个run多少的信息，是从这来的：
inc_runs = run_history.get_runs_for_config(incumbent)
这个是什么意思呢，可以理解为对于当前最优解，从运行历史中取出所有config_id相同的RunKey。
在当前做了迁移学习重构的系统中，可以理解为：
1: 最优解第一次出现
2: 最优解第二次出现
类推
突然有了个idea，关于SMBO迁移学习的。
学习器在小样本上run了A,B,C … Z 这26个样本点，结果分别是p1,p2,…,p26
现在要将小样本的经验迁移到大样本上。从小样本中采样足够数量的样本，在大样本上对这些采样的超参(样本点)再run一次，假设是ABC，表现是p1,p2,p3
然后做一个线性回归，然后对小样本的数据进行修正。最后做一下数据库迁移，搞定
