贝叶斯优化（Bayesian Optimization）的最大维度取决于所使用的库和算法。以下是使用GPyOpt和GPFlow库进行贝叶斯优化的示例代码：

使用GPyOpt进行贝叶斯优化：

import GPyOpt

# 定义目标函数
def objective(x):
    return x**2

# 定义搜索空间
bounds = [{'name': 'x', 'type': 'continuous', 'domain': (-1, 1)}]

# 创建贝叶斯优化对象
opt = GPyOpt.methods.BayesianOptimization(f=objective, domain=bounds)

# 运行贝叶斯优化
opt.run_optimization(max_iter=10)

# 打印找到的最优解
print(opt.x_opt)

使用GPFlow进行贝叶斯优化：

import numpy as np
import tensorflow as tf
import gpflow

# 定义目标函数
def objective(x):
    return x**2

# 定义搜索空间
bounds = [(-1, 1)]

# 创建贝叶斯优化对象
opt = gpflowopt.BayesianOptimizer(bounds)

# 创建目标模型
objective_model = gpflow.gpr.GPR(np.zeros((0, 1)), np.zeros((0, 1)), gpflow.kernels.RBF(1))

# 运行贝叶斯优化
opt.optimize(objective, n_iter=10)

# 打印找到的最优解
print(opt.get_best_x())

需要注意的是，以上示例中的搜索空间都是一维的，即最大维度为1。如果需要在多维空间中进行贝叶斯优化，可以通过定义多个变量来实现，例如：

bounds = [{'name': 'x1', 'type': 'continuous', 'domain': (-1, 1)},
          {'name': 'x2', 'type': 'continuous', 'domain': (-1, 1)}]

# ...

def objective(x):
    return x[0]**2 + x[1]**2

这样就可以在多维空间中进行贝叶斯优化了。