超带宽度调优器

[来源]

Hyperband 类

keras_tuner.Hyperband(
    hypermodel=None,
    objective=None,
    max_epochs=100,
    factor=3,
    hyperband_iterations=1,
    seed=None,
    hyperparameters=None,
    tune_new_entries=True,
    allow_new_entries=True,
    max_retries_per_trial=0,
    max_consecutive_failed_trials=3,
    **kwargs
)

超带宽度算法的变体。

参考文献

Li, Lisha 和 Kevin Jamieson。"超带宽度：一种新颖的基于Bandit的超参数优化方法。"机器学习研究杂志 18 (2018): 1-52.

参数

• hypermodel：HyperModel 类的实例（或接受超参数并返回 Model 实例的可调用对象）。当覆盖 Tuner.run_trial() 并且不使用 self.hypermodel 时，它是可选的。
• objective：字符串，keras_tuner.Objective 实例，或 keras_tuner.Objective 和字符串的列表。如果为字符串，则优化方向（最小化或最大化）将被推断。如果为 keras_tuner.Objective 列表，我们将最小化所有目标的总和以最小化，减去所有目标的总和以最大化。当 Tuner.run_trial() 或 HyperModel.fit() 返回单个浮点数作为要最小化的目标时，objective 参数是可选的。
• max_epochs：整数，训练一个模型的最大轮数。建议将其设置为略高于您最大模型预期收敛轮数的值，并在训练期间使用提前停止（例如，通过 tf.keras.callbacks.EarlyStopping）。默认为 100。
• factor：整数，每个组中轮数和模型数量的缩减因子。默认为 3。
• hyperband_iterations：整数，至少为 1，完整超带宽度算法迭代的次数。一次迭代将在大约 max_epochs * (math.log(max_epochs, factor) ** 2) 累积轮数中运行所有试验。建议将其设置为您的资源预算范围内尽可能高的值。默认为 1。
• seed：可选整数，随机种子。
• hyperparameters：可选的 HyperParameters 实例。可用于覆盖（或预先注册）搜索空间中的超参数。
• tune_new_entries：布尔值，是否应将超模型请求但未在 hyperparameters 中指定的超参数条目添加到搜索空间中。如果不是，则将使用这些参数的默认值。默认为 True。
• allow_new_entries：布尔值，超模型是否允许请求 hyperparameters 中未列出的超参数条目。默认为 True。
• max_retries_per_trial：整数。默认为 0。如果试验崩溃或结果无效，则重试 Trial 的最大次数。
• max_consecutive_failed_trials：整数。默认为 3。连续失败的 Trial 的最大数量。达到此数量时，搜索将停止。当没有重试成功时，Trial 将被标记为失败。
• **kwargs：与所有 Tuner 子类相关的关键字参数。请参阅 Tuner 的文档字符串。