BayesianOptimization Tuner

[源代码]

BayesianOptimization 类

keras_tuner.BayesianOptimization(
    hypermodel=None,
    objective=None,
    max_trials=10,
    num_initial_points=None,
    alpha=0.0001,
    beta=2.6,
    seed=None,
    hyperparameters=None,
    tune_new_entries=True,
    allow_new_entries=True,
    max_retries_per_trial=0,
    max_consecutive_failed_trials=3,
    **kwargs
)

使用高斯过程进行贝叶斯优化调优。

参数

• hypermodel: HyperModel 类的实例（或一个接受超参数并返回 Model 实例的可调用对象）。当 Tuner.run_trial() 被重写且不使用 self.hypermodel 时，此参数是可选的。
• objective: 一个字符串、keras_tuner.Objective 实例，或一个 keras_tuner.Objective 对象和字符串的列表。如果是一个字符串，将推断优化的方向（最小化或最大化）。如果是一个 keras_tuner.Objective 对象列表，我们将最小化所有目标的总和以进行最小化，或最大化所有目标的总和以进行最大化。当 Tuner.run_trial() 或 HyperModel.fit() 返回一个单一的浮点数作为要最小化的目标时，objective 参数是可选的。
• max_trials: 整数，最多测试的试验（模型配置）总数。请注意，如果搜索空间已耗尽，则预言器可能会在测试 max_trial 个模型之前中断搜索。默认为 10。
• num_initial_points: 用于贝叶斯优化的随机生成样本作为初始训练数据的可选数量。如果未指定，则使用超参数空间维度的 3 倍的值。
• alpha: 浮点数，在拟合过程中添加到核矩阵对角线的值。它表示贝叶斯优化中观测性能的预期噪声量。默认为 1e-4。
• beta: 浮点数，探索与利用的平衡因子。值越大，探索性越强。默认为 2.6。
• seed: 可选的整数，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 hypermodel 请求但未在 hyperparameters 中指定的超参数条目添加到搜索空间。如果为 false，则将使用这些参数的默认值。默认为 True。
• allow_new_entries: 布尔值，是否允许 hypermodel 请求未在 hyperparameters 中列出的超参数条目。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 Trial 的最大数量。达到此数量时，搜索将停止。当重试均未成功时，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。