1、Getting Stated
1.1Command Line
使用方法：
在pycharm中：
cd example
python ..\ bin\ dragonfly-script.py --config xxx.json --option xxx.txt
1)Basic Use 全局优化
定义在.\ synthetic\ branin\ branin.py
//example: dragonfly-script.py --config synthetic/branin/config.json --options options_files/options_example.txt
2)Minimization
默认是maximization
//example:dragonfly-script.py --config synthetic/branin/config.json --options options_files/options_example_for_minimisation.txt
3)Multi-Fidelity 多精度优化
什么是多精度优化？
基本思想：一部分低精度数据{Xi,yi}N1i=1 ;一部分高精度{Xj,yj}N1+Nhj=N1+1
其中N1约为Nh的3~5倍甚至更多。分别用这两部分训练出两个模型，低精度模型由于有足够数据量所以得到一个相对精确的模型，高精度由于数据少，不准确。
令zi=NN1f(Xi) ，用{(Xi，zi),yi} 训练一个新模型
example:dragonfly-script.py --config synthetic/branin/config_mf.json --options options_files/options_example.txt
4)Specifying the domain
Euclidean, integral, discrete, and discrete numeric domains, or a domain which includes a combination of these variables.
//example:dragonfly-script.py --config synthetic/park2_3/config_mf.json --options options_files/options_example.txt
5)Optimization on a time budget
时间优化 。。。 看不太懂
example：从 Ia 型超新星数据中估计宇宙学参数：
dragonfly-script.py --config supernova/config.json --options options_files/options_example_realtime.txt
dragonfly-script.py --config supernova/config_mf.json --options options_files/options_example_realtime.txt ( For multi-fidelity version6)Other Method
BO是在计算难度大的情况下用的，在尽量少的运算中找到最优
如果 evaluation is cheap ，作者推荐使用DiRect或PDOO for 欧氏域
或者evolutionary算法for 非欧式域//example1:dragonfly-script.py --config synthetic/branin/config.json --options options_files/options_example_pdoo.txt
//example2:dragonfly-script.py --config synthetic/park2_3/config_mf.json --options options_files/options_example_ea.txt7)MultiObjective Optimization
多目标优化
//example:dragonfly-script.py --config demos_synthetic/multiobjective_hartmann/config.json --options demos_synthetic/multiobjective_options_example.txt2.Code
1)API 的使用
/dragonfly/apis/moo.py&opt.py
/dragonfly/__init__.py
1.1)opt.py
1.1）maximize_function & minimize_function
1.2)maximize_multifidelity_function & minimize_multifidelity_function
1.2)moo.py
2.1)multiobjective_maximize_function & multiobjective_minimize_function
2)load config
dragonfly/exd/cp.domain_utils.py:load_config & load_config_file
3)各种各样的example
examples/synthetic/branin/in_code.demo.py
examples/synthetic/hartmann6_4/in_code.demo.py
examples/synthetic/harmann3_constrained/in_code.demo.py
examples/synthetic/discrete_euc/in_code.demo.py
examples/synthetic/park1_constrained/in_code.demo.py
examples/synthetic/borehole_constrained/in_code.demo.py
examples/tree_reg/in_code.demo.py
examples/nas/demo_nas.py
4)Neural Architectural Search（NAS）
dragonfly具有定义神经网络架构的API 定义了他们之间的距离 并实现了NASBOT
使用贝叶斯优化和最优传输进行神经架构搜索
Neural Architectural Search Bayesian Optimization and Optimal Transport
3.Ask Tell Mode
1)ask-tell接口
expose nextpoint to evaluated by BO
暴露一个由BO得出的下一个被探测的点
在代码的exd&opt里面可以看，用的时候需要设置ask_tell_mode=True
由两个组件组成：
一：caller 调用器
domain为欧式域的时候用EuclideanFunctionCaller
其余用CPFunctionCaller
对于笛卡尔乘积空间(cartesian product space)，还需要对定于域的排序
用CPFunction中的domain_orderings参数
没有目标函数传递到caller中
二：optimizer 优化器
$$
+\left{
\begin{matrix}
GPBandit \
GAOptimizer \
RandomOptimizer
\end{matrix}
\right.
$$
由以上显式创建(explicitly create)
domain是Euclidean或CP
最后通过.initialize()调用
要使函数最小化，只需去目标负值并执行上述程序ask在一个numpy数组中返回下一个evaluate的点，通过调用目标函数evaluate后，将点返回给优化器。tell需要一个参数(a tuple)，这个参数囊括了(X,y) X:parameter y:target or objective
运行：python examples/detaild_use_cases/in_code_demo.ask_tell.py2)Multifidelity Optimization
在上述基础上添加fidelity space和fidelity value
当目标函数在保真度坐标z和域坐标x上被评估时，保真度参数必须通过调用opt.tell([X,y,z])来指定
