optuna的study.optimize()卡住是因默认无进度输出、无超时、不捕获异常，实际在等待目标函数返回标量；hyperopt的fmin()报keyerror: 'loss'是因硬性要求返回含'loss'键的字典；二者tpe实现差异大；迁移时易漏持久化、恢复方式和搜索空间定义位置。
Optuna 的 study.optimize() 为什么卡住不动？
说明：不是真卡死，而是默认不输出进度、不设超时、不处理异常中断，新手常以为挂了。它在等目标函数返回一个标量值，一旦目标函数报错（比如 ValueError 或 TypeError）、返回 None、或陷入死循环（如训练中 model.fit() 不收敛），study.optimize() 就会静默等待或直接崩溃。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 在目标函数开头加
print(f"Trial {trial.number}: {trial.params}")，确认是否真的启动 - 用
catch = True参数：study.optimize(objective, n_trials=100, catch=(Exception,))，避免单次失败中断整个搜索 - 设置
timeout（秒）或n_trials二选一，别两个都不设 - 检查目标函数是否真返回了
float：return float(loss)比return loss.item()更安全（PyTorch 场景常见坑）
Hyperopt 的 fmin() 报 KeyError: 'loss' 怎么办？
说明：Hyperopt 要求目标函数必须返回字典，且必须含 'loss' 键（大小写敏感），不能是 'val_loss' 或 'score'。这是硬约束，和 Optuna 返回纯数字完全不同。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 目标函数结尾强制返回：
return {'loss': val_loss, 'status': 'ok'} - 如果想记录额外指标（如
acc），可以加进字典里，但'loss'和'status'缺一不可 -
'status'只能是'ok'、'fail'或'running'；返回'fail'时 Hyperopt 会跳过该 trial，但不会报错 - 注意：Hyperopt 不支持多目标，想优化
loss和latency二者，得手动加权合成单个'loss'
Optuna 的 TPESampler 和 Hyperopt 的 TPE 是一回事吗？
说明：名字都叫 TPE（Tree-structured Parzen Estimator），但实现细节、先验设定、并行行为差异很大。Optuna 的 TPESampler 默认启用 multivariate=True（建模参数联合分布），而 Hyperopt 的 tpe.suggest 默认是单变量模式，效果常更保守。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- Optuna 中想对齐 Hyperopt 行为，显式传参：
sampler=TPESampler(multivariate=False) - Hyperopt 的
max_evals是硬上限，Optuna 的n_trials在分布式场景下可能略超（因 worker 预取） - 两者都对离散参数（
choice）支持良好，但 Hyperopt 对quniform类型的量化连续参数更敏感，容易卡在边界值；Optuna 推荐统一用trial.suggest_float(..., step=0.1) - 若搜索空间含条件参数（比如只在
model=='xgboost'时才搜max_depth），Optuna 的ConditionalSuggest更直观，Hyperopt 需靠嵌套hp.choice+ 字典展开，易出 key 冲突
从 Hyperopt 迁移到 Optuna 时最常漏掉的三件事 说明：迁移不是改函数名就行。很多团队卡在日志、恢复、结构化定义这三块，导致重跑成本高、结果不可复现。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 日志路径不兼容：Hyperopt 的
Trials()对象可 pickle，Optuna 的Study必须用Storage（如JournalFileStorage或RDBStorage）持久化，直接pickle.dump(study)会失败 - 恢复搜索时，Hyperopt 用
fmin(..., trials=old_trials)，Optuna 必须用load_study(study_name=..., storage=...)，且study_name必须一致 - 搜索空间定义位置不同：Hyperopt 在
fmin()外定义space = {...}，Optuna 要求所有suggest_*调用写在目标函数内部——没有“外部 space 字典”，无法提前静态检查参数合法性
Optuna 的灵活性来自运行时采样，Hyperopt 的确定性来自静态 space 描述；选哪个不取决于“谁更快”，而取决于你愿不愿意把参数逻辑写进目标函数里。
