超参数

`HyperParameters` 类

keras_tuner.HyperParameters()

包含了超参数空间和当前值的容器。

一个 HyperParameters 实例可以作为参数传递给 HyperModel.build(hp) 来构建模型。

为了防止用户依赖于非活动的超参数值，只有活动的超参数才应在 HyperParameters.values 中拥有对应的值。

属性

space：一个 HyperParameter 对象列表。
values：一个将超参数名称映射到当前值的字典。

[来源]

`Boolean` 方法

HyperParameters.Boolean(name, default=False, parent_name=None, parent_values=None)

在 True 和 False 之间进行选择。

参数

name：字符串。参数的名称。在搜索空间中，每个 HyperParameter 实例的名称必须是唯一的。
default：布尔值，参数的默认返回值。如果未指定，默认值将为 False。
parent_name：可选字符串，指定用于激活当前 HyperParameter 的父 HyperParameter 的名称。
parent_values：可选列表，指定用于激活当前 HyperParameter 的父 HyperParameter 的值。

返回值

超参数的值，如果超参数不活动，则为 None。

[来源]

`Choice` 方法

HyperParameters.Choice(
    name, values, ordered=None, default=None, parent_name=None, parent_values=None
)

从一组预定义的可选值中选择一个值。

参数

name：字符串。参数的名称。在搜索空间中，每个 HyperParameter 实例的名称必须是唯一的。
values：一个可能值的列表。值必须是 int、float、str 或 bool 类型。所有值必须具有相同的类型。
ordered：可选布尔值，指示传递的值是否应被视为具有顺序。对于 float/int 值，默认值为 True。对于任何其他值，必须为 False。
default：可选的参数默认返回值。如果未指定，默认值将是
- 如果 values 中包含 None，则默认值为 None
- 否则默认值为 values 中的第一个条目。
parent_name：可选字符串，指定用于激活当前 HyperParameter 的父 HyperParameter 的名称。
parent_values：可选列表，指定用于激活当前 HyperParameter 的父 HyperParameter 的值。

返回值

超参数的值，如果超参数不活动，则为 None。

[来源]

`Fixed` 方法

HyperParameters.Fixed(name, value, parent_name=None, parent_values=None)

固定、不可调优的值。

参数

name：字符串。参数的名称。在搜索空间中，每个 HyperParameter 实例的名称必须是唯一的。
value：要使用的值（可以是任何 JSON 可序列化的 Python 类型）。
parent_name：可选字符串，指定用于激活当前 HyperParameter 的父 HyperParameter 的名称。
parent_values：可选列表，指定用于激活当前 HyperParameter 的父 HyperParameter 的值。

返回值

超参数的值，如果超参数不活动，则为 None。

[来源]

`Float` 方法

HyperParameters.Float(
    name,
    min_value,
    max_value,
    step=None,
    sampling="linear",
    default=None,
    parent_name=None,
    parent_values=None,
)

浮点数值超参数。

示例 #1

hp.Float(
    "image_rotation_factor",
    min_value=0,
    max_value=1)

区间 [0, 1] 中的所有值被抽样的概率相等。

示例 #2

hp.Float(
    "image_rotation_factor",
    min_value=0,
    max_value=1,
    step=0.2)

step 是样本之间的最小距离。可能的值为 [0, 0.2, 0.4, 0.6, 0.8, 1.0]。

示例 #3

hp.Float(
    "learning_rate",
    min_value=0.001,
    max_value=10,
    step=10,
    sampling="log")

当 sampling="log" 时，step 是样本之间的乘数。可能的值为 [0.001, 0.01, 0.1, 1, 10]。

参数

name：字符串。参数的名称。在搜索空间中，每个 HyperParameter 实例的名称必须是唯一的。
min_value：浮点数，范围的下限。
max_value：浮点数，范围的上限。
step：可选浮点数，范围内两个连续样本之间的距离。如果未指定，可以在区间内抽取任何值。如果 sampling="linear"，它将是两个样本之间的最小加法增量。如果 sampling="log"，它将是两个样本之间的最小乘法增量。
sampling：字符串。为 "linear"、"log" 或 "reverse_log" 之一。默认为 "linear"。在抽样值时，始终从范围 [0.0, 1.0) 中的值开始。sampling 参数决定了值如何投影到范围 [min_value, max_value]。"linear"：min_value + value * (max_value - min_value) "log"：min_value * (max_value / min_value) ^ value "reverse_log"：(max_value - min_value * ((max_value / min_value) ^ (1 - value) - 1))
default：浮点数，参数的默认返回值。如果未指定，默认值将为 min_value。
parent_name：可选字符串，指定用于激活当前 HyperParameter 的父 HyperParameter 的名称。
parent_values：可选列表，指定用于激活当前 HyperParameter 的父 HyperParameter 的值。

返回值

超参数的值，如果超参数不活动，则为 None。

[来源]

`Int` 方法

HyperParameters.Int(
    name,
    min_value,
    max_value,
    step=None,
    sampling="linear",
    default=None,
    parent_name=None,
    parent_values=None,
)

整数超参数。

请注意，与 Python 的 range 函数不同，max_value 是此参数可以取到的可能值之一，即是包含的。

示例 #1

hp.Int(
    "n_layers",
    min_value=6,
    max_value=12)

可能的值为 [6, 7, 8, 9, 10, 11, 12]。

示例 #2

hp.Int(
    "n_layers",
    min_value=6,
    max_value=13,
    step=3)

step 是样本之间的最小距离。可能的值为 [6, 9, 12]。

示例 #3

hp.Int(
    "batch_size",
    min_value=2,
    max_value=32,
    step=2,
    sampling="log")

当 sampling="log" 时，step 是样本之间的乘数。可能的值为 [2, 4, 8, 16, 32]。

参数

name：字符串。参数的名称。在搜索空间中，每个 HyperParameter 实例的名称必须是唯一的。
min_value：整数，范围的下限，包含。
max_value：整数，范围的上限，包含。
step：可选整数，范围内两个连续样本之间的距离。如果未指定，可以在区间内抽取任何整数。如果 sampling="linear"，它将是两个样本之间的最小加法增量。如果 sampling="log"，它将是两个样本之间的最小乘法增量。
sampling：字符串。为 "linear"、"log" 或 "reverse_log" 之一。默认为 "linear"。在抽样值时，始终从范围 [0.0, 1.0) 中的值开始。sampling 参数决定了值如何投影到范围 [min_value, max_value]。"linear"：min_value + value * (max_value - min_value) "log"：min_value * (max_value / min_value) ^ value "reverse_log"：(max_value - min_value * ((max_value / min_value) ^ (1 - value) - 1))
default：整数，参数的默认返回值。如果未指定，默认值将为 min_value。
parent_name：可选字符串，指定用于激活当前 HyperParameter 的父 HyperParameter 的名称。
parent_values：可选列表，指定用于激活当前 HyperParameter 的父 HyperParameter 的值。

返回值

超参数的值，如果超参数不活动，则为 None。

[来源]

`conditional_scope` 方法

HyperParameters.conditional_scope(parent_name, parent_values)

打开一个作用域来创建条件式超参数。

在此作用域下创建的所有 HyperParameter 仅在由 parent_name 指定的父 HyperParameter 等于 parent_values 中传递的某个值时才活动。

当条件不满足时，在此作用域下创建 HyperParameter 将注册该 HyperParameter，但会返回 None 而非具体值。

请注意，此作用域下的任何 Python 代码都将执行，无论条件是否满足。

此功能是为了让 Tuner 收集更多关于搜索空间和当前试验的信息。它对于模型选择特别有用。如果父 HyperParameter 用于模型选择，则模型中的 HyperParameter 仅在选择该模型时才应活动，这可以通过使用 conditional_scope 来实现。

示例

def MyHyperModel(HyperModel):
    def build(self, hp):
        model = Sequential()
        model.add(Input(shape=(32, 32, 3)))
        model_type = hp.Choice("model_type", ["mlp", "cnn"])
        with hp.conditional_scope("model_type", ["mlp"]):
            if model_type == "mlp":
                model.add(Flatten())
                model.add(Dense(32, activation='relu'))
        with hp.conditional_scope("model_type", ["cnn"]):
            if model_type == "cnn":
                model.add(Conv2D(64, 3, activation='relu'))
                model.add(GlobalAveragePooling2D())
        model.add(Dense(10, activation='softmax'))
        return model

参数

parent_name：字符串，指定用于激活当前 HyperParameter 的父 HyperParameter 的名称。
parent_values：一个列表，指定用于激活当前 HyperParameter 的父 HyperParameter 的值。

[来源]

`get` 方法

HyperParameters.get(name)

返回此超参数集合的当前值。

超参数

HyperParameters 类

Boolean 方法

Choice 方法

Fixed 方法

Float 方法

Int 方法

conditional_scope 方法

get 方法

超参数

HyperParameters 类

Boolean 方法

Choice 方法

Fixed 方法

Float 方法

Int 方法

conditional_scope 方法

get 方法

`HyperParameters` 类

`Boolean` 方法

`Choice` 方法

`Fixed` 方法

`Float` 方法

`Int` 方法

`conditional_scope` 方法

`get` 方法