张量流模型的超参数调整

时间:2017-06-28 12:48:36

标签: python tensorflow convolution hyperparameters

之前我使用过Scikit-learn的GridSearchCV来优化模型的超参数,但只是想知道是否存在类似的工具来优化Tensorflow的超参数(例如时代数,学习率,滑动窗口大小等

如果没有,我如何实现有效运行所有不同组合的片段?

2 个答案:

答案 0 :(得分:17)

即使它似乎没有明确记录(在版本1.2中),包tf.contrib.learn(包含在TensorFlow中)定义了应该与scikit-learn兼容的分类器......但是,查看the source,您似乎需要明确设置环境变量TENSORFLOW_SKLEARN(例如"1")以实际获得此兼容性。如果此方法有效,您可以使用GridSearchCVsee this test case)。

尽管如此,还是有一些选择。我不知道任何特定的TensorFlow,但hyperoptScikit-OptimizeSMAC3都应该是有效的选项。 MOESpearmint看起来曾经是不错的选择,但现在看起来似乎没有太多维护。

或者,您可以查看像SigOpt这样的服务(由MOE的原作者提供的公司)。

修改

关于运行所有可能的参数组合,核心逻辑,如果你想自己实现它,并不是很复杂。您可以使用每个参数的可能值定义列表,然后使用itertools.product运行所有组合。类似的东西:

from itertools import product

param1_values = [...]
param2_values = [...]
param3_values = [...]
for param1, param2, param3 in product(param1_values, param2_values param3_values):
    run_experiment(param1, param2, param3)

但请注意,在许多情况下,网格搜索的运行成本过高,甚至在参数空间中进行随机搜索可能会更有效(更多关于in this publication)。

答案 1 :(得分:12)

使用Tensorflow进行网格搜索的另一个可行(并且已记录)选项是Ray Tune。它是超参数调整的可扩展框架,专门用于深度学习/强化学习。

您可以试用a fast tutorial here

它还在大约10行Python中处理Tensorboard日志记录和高效搜索算法(即HyperOpt集成和HyperBand)。

import ray
from ray import tune

def train_tf_model(config, tune_reporter):  # 1 new arg for reporting results
    # ... train here ....
    # ... train here ....
    # ... train here ....
    pass

ray.init()

tune.run(train_tf_model,
         stop={ "mean_accuracy": 100 },
         config={
            "alpha": tune.grid_search([0.2, 0.4, 0.6]),
            "beta": tune.grid_search([1, 2]),
         })

(免责声明:我积极参与这个项目!)