كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةموسوعة أطر ومكتبات الذكاء الاصطناعيمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةموسوعة شبكات التعلم العميق الحديثةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

Optuna

Optuna: A hyperparameter optimization framework

إطار لضبط المعاملات الفائقة تلقائياً بأسلوب «التعريف أثناء التشغيل» مع خوارزميات بحث ذكية وإيقاف مبكر للتجارب الضعيفة.

نشطةمتوسطv5.1.0MITأطر ومكتبات تعلم الآلةنشر النماذج وهندسة تعلم الآلة

الوثائق الرسميةجرّب الأمثلة

المعلومات الأساسية

الاسمOptuna
الاسم الكاملOptuna: A hyperparameter optimization framework
التصنيفأطر ومكتبات تعلم الآلة
الجهة المطورةPreferred Networks ومجتمع Optuna
سنة الإطلاق2018
الموقع الرسميoptuna.org
مستودع GitHuboptuna/optuna
الوثائق الرسميةoptuna.readthedocs.io
الحزمة على PyPIoptuna
الترخيصMIT (ملف الترخيص)
حالة المشروعنشطة صدر لها إصدار خلال آخر 12 شهراً
آخر إصدار16 نوفمبر 2026 (الإصدار 5.1.0)
لغة البرمجةPython
أنظمة التشغيلغير محدد
إصدار Python المطلوب>=3.10
مستوى الصعوبةمتوسط

آخر تحقق من هذه البيانات: 21 نوفمبر 2026 — المصدر: PyPI JSON API (2026-11-21)

نظرة عامة

يكتب المستخدم دالة هدف عادية يقترح فيها Optuna قيم المعاملات أثناء التشغيل، ويستخدم خوارزميات مثل TPE وCMA-ES، ويوقف التجارب غير الواعدة مبكراً (Pruning)، ويحفظ الدراسات في قاعدة بيانات لتوزيعها.

يعمل مع أي إطار: scikit-learn وXGBoost وPyTorch وغيرها، ويوفر رسوماً لتحليل أهمية المعاملات.

متى تختارها؟ اخترها لضبط المعاملات الفائقة لأي نموذج بطريقة منهجية.

الاستخدامات

الاستخدامات الرئيسية

  • ضبط المعاملات الفائقة لأي نموذج
  • البحث متعدد الأهداف
  • إيقاف التجارب الضعيفة مبكراً

المجالات العلمية

  • كل مجالات التعلم الآلي

أنواع المشاريع المناسبة

  • ضبط نموذج XGBoost أو شبكة عصبية

تطبيقات بحثية

  • بحث منهجي عن الإعدادات مع توثيق الدراسة

ضبط المعاملات الفائقة

الخصائص التقنية

تُعرض الخاصية «مدعومة» فقط إذا كانت موثقة في الوثائق الرسمية للمكتبة؛ وما لم نتحقق منه يظهر «غير محدد».

دعم المعالج المركزي (CPU)مدعوم
دعم المعالج الرسومي (GPU)لا ينطبق
التوافق مع CUDAلا ينطبق
التدريب أو الحوسبة الموزعةمدعومتوزيع التجارب بمشاركة قاعدة بيانات للتخزين.
الاشتقاق التلقائي (Autodiff)غير مدعوم
نشر النماذج (Deployment)لا ينطبق
نماذج مدربة مسبقاًلا ينطبق
أنواع البيانات المدعومةغير مقيدة: يضبط أي دالة هدف
التكامل مع مكتبات أخرىScikit-learn، XGBoost، LightGBM، PyTorch، MLflow
المرونة (تقدير تحريري)عالية جداً
الأداء (تقدير تحريري)فعالة
المجتمع (تقدير تحريري)كبير
جودة التوثيق (تقدير تحريري)توثيق وأمثلة كثيرة

التثبيت والتشغيل

Shell
pip install optuna

التوافق: Python >=3.10 — حسب بيانات الحزمة على PyPI، تحقق في 21 نوفمبر 2026

يُفضّل التثبيت داخل بيئة افتراضية (venv أو conda). وإذا احتجت توافقاً مع إصدار معين من CUDA أو نظام التشغيل فارجع إلى الوثائق الرسمية، لأن هذه المعلومات تتغير مع كل إصدار.

أمثلة برمجية

الأمثلة الموسومة «نُفّذ واختُبر» شُغّلت فعلياً وسُجّل مخرجها وتاريخ الاختبار وإصدارات المكتبات؛ وغيرها يحتاج GPU أو تنزيل نماذج فلم يُشغّل في بيئة الاختبار.

متوسطضبط المعاملات بـ Optunaنُفّذ واختُبر

الهدف: البحث عن أفضل معاملات بخوارزمية TPE بدلاً من البحث الشبكي.

Python — example.py
import optuna
from sklearn.datasets import load_breast_cancer
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import cross_val_score

optuna.logging.set_verbosity(optuna.logging.WARNING)
X, y = load_breast_cancer(return_X_y=True)

def objective(trial):
    clf = RandomForestClassifier(
        n_estimators=trial.suggest_int("n_estimators", 20, 150),
        max_depth=trial.suggest_int("max_depth", 2, 12),
        random_state=0)
    return cross_val_score(clf, X, y, cv=3).mean()

study = optuna.create_study(direction="maximize", sampler=optuna.samplers.TPESampler(seed=0))
study.optimize(objective, n_trials=15)
print("أفضل معاملات:", study.best_params)
print(f"أفضل دقة: {study.best_value:.4f}")

شرح الكود

نعرّف دالة هدف تقترح فيها المعاملات عبر trial.suggest_*، وتعيد نتيجة التحقق المتقاطع، ثم يوجّه Optuna البحث نحو المناطق الواعدة. البذرة الثابتة في TPESampler تجعل النتيجة قابلة للتكرار.

المتطلبات

Shell
pip install optuna scikit-learn

طريقة التشغيل

احفظ الكود في ملف example.py ثم شغّله:

Shell
python example.py

المخرجات المسجلة عند الاختبار

أفضل معاملات: {'n_estimators': 91, 'max_depth': 9}
أفضل دقة: 0.9631

نُفّذ هذا المثال فعلياً واختُبر بتاريخ 21 نوفمبر 2026 على CPU — optuna 5.1.0, scikit-learn 1.9.1, python 3.13.18

صفحة المثال

كل أمثلة Optuna في مستكشف الأكواد

المزايا

  • واجهة مرنة جداً
  • خوارزميات بحث وإيقاف مبكر فعالة
  • مستقل عن الإطار

القيود

  • قد يستهلك وقتاً كبيراً مع نماذج مكلفة
  • لا يغني عن تصميم فضاء بحث معقول

المراجع والتحقق

سجل الإصدارات المتحقق منها

الإصدارتاريخ الإصدارتاريخ التحقق
5.1.016 نوفمبر 202621 نوفمبر 2026

آخر مراجعة لمعلومات الصفحة: 21 نوفمبر 2026. الوصف العربي مكتوب أصلياً للموسوعة وليس منقولاً من المواقع الرسمية.

أبلغ عن معلومة تحتاج تحديثاً