Emukit

| | |

官网 | 文档 | 贡献指南

Emukit 是一个高度灵活的 Python 工具包，用于在不确定性下增强决策制定。这一点对于数据稀缺或难以获取的复杂系统尤为重要。在这些情况下，在设计循环或计算管道中传播校准良好的不确定性估计，可以确保有限资源得到高效利用。

Emukit 目前提供的主要功能包括：

• 多保真度代理建模： 当数据来自不同保真度和/或成本的信息源时，构建代理模型；
• 贝叶斯优化： 优化物理实验并调优机器学习算法的参数；
• 实验设计/主动学习： 设计最具信息量的实验，并使用机器学习模型进行主动学习；
• 敏感性分析： 分析输入对给定系统输出的影响；
• 贝叶斯求积： 高效计算评估代价高昂的函数的积分。

Emukit 对底层建模框架无特定要求，这意味着您可以使用 Python 生态系统中的任何工具来构建机器学习模型，同时仍然能够使用 Emukit。

安装

要安装 emukit，只需运行：

pip install emukit

有关其他安装选项，请参阅我们的 文档。

依赖项 / 可选扩展

核心依赖项是数值 Python 栈（NumPy、SciPy、matplotlib、emcee）。可选组允许在不引入大量依赖的情况下启用附加功能，从而实现最小化安装：

• gpy：高斯过程封装、多保真度模型、贝叶斯求积（添加 GPy）。另请参阅下方说明。
• bnn：贝叶斯神经网络（Bohamiann）和 Profet 元代理示例（添加 pybnn、torch）。
• sklearn：scikit-learn 模型封装及示例（添加 scikit-learn）。
• docs：本地构建文档（添加 Sphinx 工具链 + GPy 以渲染 GP API 文档）。
• tests：测试工具。
• full：方便的元扩展，安装上述所有内容。

通过 pip 安装扩展：

# 核心安装
pip install emukit

# 添加基于 GPy 的功能
pip install emukit[gpy]

# Bohamiann 和 Profet 示例（贝叶斯神经网络）
pip install emukit[bnn]

# scikit-learn 模型封装支持
pip install emukit[sklearn]

# 构建文档（包含 GPy + Sphinx 工具链）
pip install emukit[docs]

# 运行大多数示例脚本的捆绑包（GPy + pybnn + torch + scikit-learn）
pip install emukit[examples]

# 全部（gpy + bnn + sklearn + examples + docs + 测试工具）
pip install emukit[full]

遗留的固定版本需求文件仍保留在 requirements/ 目录中供参考，但今后推荐使用上述扩展作为首选安装方式。

NumPy 2 注意事项

Emukit 的核心功能支持 NumPy 2.0+。然而，Emukit 的某些部分（例如大多数采集函数）需要 GPy，而目前 GPy 的版本稍显滞后。如果您必须使用 GPy，请考虑安装较早版本的 Emukit。

开始使用

有关示例，请参阅我们的 教程笔记本。

文档

如需了解更多关于 Emukit 的信息，请参阅我们的 文档。

若想了解代理建模这一概念，请查看 Emukit 玩乐场 项目。

引用本库

如果您正在使用 emukit，我们非常感谢您能在研究中引用关于 Emukit 的论文：

@inproceedings{emukit2019,
  author = {Paleyes, Andrei and Pullin, Mark and Mahsereci, Maren and McCollum, Cliff and Lawrence, Neil and González, Javier},
  title = {Emulation of physical processes with {E}mukit},
  booktitle = {Second Workshop on Machine Learning and the Physical Sciences, NeurIPS},
  year = {2019}
}

@article{emukit2023,
  title={Emukit: A {P}ython toolkit for decision making under uncertainty},
  author={Andrei Paleyes and Maren Mahsereci and Neil D. Lawrence},
  journal={Proceedings of the Python in Science Conference},
  year={2023}
}

相关论文可通过以下链接查阅：NeurIPS 2019 工作坊、SciPy 2023 大会。

许可证

Emukit 采用 Apache 2.0 许可证。有关许可证的更多信息，请参阅 LICENSE 和 NOTICE。

Emukit 快速上手指南

Emukit 是一个高度灵活的 Python 工具包，旨在增强不确定性下的决策能力。它特别适用于数据稀缺或获取困难复杂系统场景，支持多保真度仿真、贝叶斯优化、实验设计、敏感性分析及贝叶斯积分等功能。该工具与底层建模框架无关，可无缝集成 NumPy、GPy、scikit-learn 或 PyTorch 等生态工具。

环境准备

• 操作系统：Linux, macOS, Windows
• Python 版本：推荐 Python 3.8+
• 核心依赖：NumPy, SciPy, matplotlib, emcee
• 注意：核心功能支持 NumPy 2.0+，但部分高级功能（如大多数采集函数）依赖 GPy，目前 GPy 对 NumPy 2.0 的支持尚不完善。若需使用 GPy 相关功能，建议暂时使用 NumPy < 2.0 版本或安装旧版 Emukit。

安装步骤

1. 基础安装

仅安装核心依赖，适用于轻量级使用：

pip install emukit

2. 按需安装扩展功能

根据需求选择以下可选组件（Extras）：

• 高斯过程与多保真度模型 (依赖 GPy)：

  pip install emukit[gpy]
  

• 贝叶斯神经网络示例 (依赖 pybnn, torch)：

  pip install emukit[bnn]
  

• scikit-learn 模型封装支持：

  pip install emukit[sklearn]
  

• 完整安装 (包含上述所有功能及文档、测试工具)：

  pip install emukit[full]
  

国内加速提示：若下载速度较慢，可使用国内镜像源（如清华源）进行安装：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple emukit[gpy]

基本使用

Emukit 的核心工作流通常包含三个步骤：定义问题空间、选择代理模型（Surrogate Model）、执行优化或实验设计循环。

以下是一个最简单的贝叶斯优化示例，展示如何使用 Emukit 寻找函数最小值：

import numpy as np
import emukit.core as ecore
import emukit.core.acquisition as acquisition
import emukit.core.optimization as optimization
from emukit.model_wrappers import GPyModelWrapper

# 1. 定义目标函数 (例如：Rosenbrock 函数)
def objective_function(x):
    return (1 - x[:, 0])**2 + 100 * (x[:, 1] - x[:, 0]**2)**2

# 2. 定义输入空间 (两个维度，范围均为 [-2, 2])
space = ecore.ParameterSpace([
    ecore.ContinuousParameter('x1', -2, 2),
    ecore.ContinuousParameter('x2', -2, 2)
])

# 3. 生成初始数据点
X_init = np.random.uniform(-2, 2, (5, 2))
Y_init = objective_function(X_init).reshape(-1, 1)

# 4. 构建代理模型 (此处使用 GPy 的高斯过程，需先安装 emukit[gpy])
import GPy
kernel = GPy.kern.Matern52(input_dim=2)
gpy_model = GPy.models.GPRegression(X_init, Y_init, kernel)
model = GPyModelWrapper(gpy_model)

# 5. 定义采集函数 (Expected Improvement)
acq_func = acquisition.ExpectedImprovement(model)

# 6. 创建优化器并运行循环
optimizer = optimization.AcquisitionOptimizer(space)
bayesian_opt = optimization.BayesianOptimizationLoop(space, model, acquisition_optimizer=optimizer)

# 运行 10 次迭代
bayesian_opt.run_loop(objective_function, max_iter=10)

# 输出最佳结果
best_x = bayesian_opt.x_opt
best_y = bayesian_opt.y_opt
print(f"最佳输入：{best_x}")
print(f"最佳输出：{best_y}")

更多详细教程和笔记本示例，请访问 Emukit Tutorial Notebooks。