贝叶斯优化 （BayesianOptimization）
机器学习模型和神经网络模型都有很多参数需要调整，有很多超参数需要手动设定，很多时候往往是这些参数决定了一个问题能不能很好的解决，如网络有几层、学习率多大、dropout设置为多少、学习率等等。
穷举搜索 Grid Search 效率太低；随机搜索比穷举搜索好一点；目前比较好的解决方案是贝叶斯优化。
贝叶斯算法的优点：
- 贝叶斯调参采用高斯过程，考虑之前的参数信息，不断地更新先验；网格搜索未考虑之前的参数信息；
- 贝叶斯调参迭代次数少，速度快；网格搜索速度慢,参数多时易导致维度爆炸 贝叶斯调参针对非凸问题依然稳健；
- 网格搜索针对非凸问题易得到局部最优
Step(1)
第一步首先是有一个先验的猜想。既然我们是需要求出满足条件的，将这两组数据输入GP模型中，两个真实值加入猜想模型，能够对模型进行修正，使其更接近目标函数真实的分布**。
Step(2)
第一步有了修正后的GP。我们根据某些方法，来从修正后的GP中，选择一个感兴趣的点更优。
Step(3)
选出了一个新的。
Step(4)
反之，假如上一步找出的点还达不到我们的需求，那这个点也不能浪费，将其输入返回到GP模型，再次对其修正，重新开始Step(2)
经过上面的初步分析后，我们大概了解了贝叶斯优化的整个流程。从上面描述的流程可以看出，贝叶斯优化最核心的步骤是Step(1)，Step(2)。在Step(1)中我们猜想的分布模型，以及Step(2)中支持我们做出选择新的点的方法，这里我们定义一下一般这个方法叫Acquisition function（后面简称AC函数）。这个收益（损失）函数指导我们选择下一个点。只要把这两个东西确定了，那么整个算法就确定了。从这里也可以看出BOA是一个迭代运行的算法框架，由两个组件组成，一个是先验模型，一个是AC函数。这两者的作用分别如下：
- 先验模型（prior
function）基于概率分布，用于描述目标函数的分布（可以理解为用于拟合目标函数曲线） -
AC函数用于从候选集中选择一个新的点。BOA的运行效果，和AC函数的设计有很大关系。由于此类函数可能陷入局部最优解，因此在选点的时候，需要考虑到很多方面因素，不能过早进入局部。因此需要进行多方面权衡，然后综合之后选点。选出的点的质量直接影响算法的收敛速度以及最终解的质量。
