如何用Optuna的trial.suggest_int/float从指定列表选取超参数值？

要让trial.suggest_int或trial.suggest_float实现类似trial.suggest_categorical的自定义列表选值效果，核心有两种实用方案：

方案1：直接使用trial.suggest_categorical #

Optuna的suggest_categorical并不限制候选值类型，整数、浮点数、字符串都可以直接传入列表。这是处理非等差自定义离散参数最直接的方式，完全匹配你的需求。

修改后的目标函数代码如下：

def objective(trial):
    DL_param = {
        'learning_rate': trial.suggest_float('learning_rate', 1e-3, 1e-1),
        'optimizer': trial.suggest_categorical('optimizer', ["Adam", "RMSprop", "SGD"]),
        'h_units': trial.suggest_int('h_units', 50, 250, step = 50),
        # 用suggest_categorical处理浮点候选列表
        'alpha': trial.suggest_categorical('alpha', [0.001, 0.01, 0.1, 0.2, 0.3]),
        # 用suggest_categorical处理整数候选列表
        'batch_size': trial.suggest_categorical('batch_size', [16, 32, 64, 128, 256]),
    }
    DL_model = build_model(DL_param)
    DL_model.compile(optimizer=DL_param['optimizer'], loss='mean_squared_error')
    DL_model.fit(x_train, y_train, validation_split = 0.3, shuffle = True,
                              batch_size = DL_param['batch_size'], epochs = 30)
    y_pred_2 = DL_model.predict(x_test)
    return mse(y_test_2, y_pred_2, squared=True)

方案2：针对等差序列用suggest_int/suggest_float的step参数 #

如果你的参数列表是严格等差序列（比如[10,20,30,40]），可以通过low+high+step的组合实现，就像你代码中h_units的写法。但如果是像alpha这种非等差的离散值，该方案不适用。

举个等差序列的例子（假设batch_size是[16,32,48,64]）：

'batch_size': trial.suggest_int('batch_size', 16, 64, step=16)

但你的batch_size是2的幂（等比序列），用suggest_categorical反而更直观，避免step计算出错。

内容的提问来源于stack exchange，提问作者Bhanu Chander