► KerasTuner：超参数调优 / 开发者指南 / 定制搜索空间

定制搜索空间

作者： Luca Invernizzi, James Long, Francois Chollet, Tom O'Malley, Haifeng Jin
创建日期 2019/05/31
最后修改日期 2021/10/27
描述： 在不改变超模型的情况下调优超参数的子集。

在 Colab 中查看 • GitHub 源码

!pip install keras-tuner -q

在本指南中，我们将展示如何在不直接修改 HyperModel 代码的情况下定制搜索空间。例如，你可以在仅调优部分超参数并保持其余超参数固定，或者你可以覆盖编译参数，例如 optimizer、loss 和 metrics。

超参数的默认值

在定制搜索空间之前，了解每个超参数都有一个默认值非常重要。在定制搜索空间期间未调优超参数时，将使用该默认值作为超参数值。

每当你注册一个超参数时，可以使用 default 参数指定一个默认值

hp.Int("units", min_value=32, max_value=128, step=32, default=64)

如果你不指定，超参数总会有一个默认的默认值（对于 Int，它等于 min_value）。

在下面的模型构建函数中，我们将 units 超参数的默认值指定为 64。

import keras
from keras import layers
import keras_tuner
import numpy as np


def build_model(hp):
    model = keras.Sequential()
    model.add(layers.Flatten())
    model.add(
        layers.Dense(
            units=hp.Int("units", min_value=32, max_value=128, step=32, default=64)
        )
    )
    if hp.Boolean("dropout"):
        model.add(layers.Dropout(rate=0.25))
    model.add(layers.Dense(units=10, activation="softmax"))
    model.compile(
        optimizer=keras.optimizers.Adam(
            learning_rate=hp.Choice("learning_rate", values=[1e-2, 1e-3, 1e-4])
        ),
        loss="sparse_categorical_crossentropy",
        metrics=["accuracy"],
    )
    return model

在本教程的其余部分，我们将通过覆盖超参数而不是定义新的搜索空间来重用此搜索空间。

调优部分，固定其余部分

如果你有一个现有的超模型，并且只想调优少数超参数并保持其余超参数固定，则无需更改模型构建函数或 HyperModel 中的代码。你可以将一个 HyperParameters 对象传递给调优器构造函数的 hyperparameters 参数，其中包含所有要调优的超参数。指定 tune_new_entries=False 以阻止调优其他超参数，这些超参数将使用其默认值。

在下面的示例中，我们只调优 learning_rate 超参数，并更改了其类型和值范围。

hp = keras_tuner.HyperParameters()

# This will override the `learning_rate` parameter with your
# own selection of choices
hp.Float("learning_rate", min_value=1e-4, max_value=1e-2, sampling="log")

tuner = keras_tuner.RandomSearch(
    hypermodel=build_model,
    hyperparameters=hp,
    # Prevents unlisted parameters from being tuned
    tune_new_entries=False,
    objective="val_accuracy",
    max_trials=3,
    overwrite=True,
    directory="my_dir",
    project_name="search_a_few",
)

# Generate random data
x_train = np.random.rand(100, 28, 28, 1)
y_train = np.random.randint(0, 10, (100, 1))
x_val = np.random.rand(20, 28, 28, 1)
y_val = np.random.randint(0, 10, (20, 1))

# Run the search
tuner.search(x_train, y_train, epochs=1, validation_data=(x_val, y_val))

Trial 3 Complete [00h 00m 01s]
val_accuracy: 0.20000000298023224

Best val_accuracy So Far: 0.25
Total elapsed time: 00h 00m 03s

如果你总结搜索空间，你将看到只有一个超参数。

tuner.search_space_summary()

Search space summary
Default search space size: 1
learning_rate (Float)
{'default': 0.0001, 'conditions': [], 'min_value': 0.0001, 'max_value': 0.01, 'step': None, 'sampling': 'log'}

固定部分，调优其余部分

在上面的示例中，我们展示了如何仅调优少数超参数并保持其余超参数固定。你也可以反过来：只固定少数超参数并调优所有其余超参数。

在下面的示例中，我们固定了 learning_rate 超参数的值。传递一个带有 Fixed 条目（或任意数量的 Fixed 条目）的 hyperparameters 参数。另外，记住指定 tune_new_entries=True，这允许我们调优其余的超参数。

hp = keras_tuner.HyperParameters()
hp.Fixed("learning_rate", value=1e-4)

tuner = keras_tuner.RandomSearch(
    build_model,
    hyperparameters=hp,
    tune_new_entries=True,
    objective="val_accuracy",
    max_trials=3,
    overwrite=True,
    directory="my_dir",
    project_name="fix_a_few",
)

tuner.search(x_train, y_train, epochs=1, validation_data=(x_val, y_val))

Trial 3 Complete [00h 00m 01s]
val_accuracy: 0.15000000596046448

Best val_accuracy So Far: 0.15000000596046448
Total elapsed time: 00h 00m 03s

如果你总结搜索空间，你将看到 learning_rate 被标记为固定，并且其余的超参数正在被调优。

tuner.search_space_summary()

Search space summary
Default search space size: 3
learning_rate (Fixed)
{'conditions': [], 'value': 0.0001}
units (Int)
{'default': 64, 'conditions': [], 'min_value': 32, 'max_value': 128, 'step': 32, 'sampling': 'linear'}
dropout (Boolean)
{'default': False, 'conditions': []}

覆盖编译参数

如果你有一个超模型，并且想要更改其现有的优化器、损失函数或评估指标，可以通过将这些参数传递给调优器构造函数来实现

tuner = keras_tuner.RandomSearch(
    build_model,
    optimizer=keras.optimizers.Adam(1e-3),
    loss="mse",
    metrics=[
        "sparse_categorical_crossentropy",
    ],
    objective="val_loss",
    max_trials=3,
    overwrite=True,
    directory="my_dir",
    project_name="override_compile",
)

tuner.search(x_train, y_train, epochs=1, validation_data=(x_val, y_val))

Trial 3 Complete [00h 00m 01s]
val_loss: 29.39796257019043

Best val_loss So Far: 29.39630699157715
Total elapsed time: 00h 00m 04s

如果你获取最佳模型，你可以看到损失函数已更改为 MSE。

tuner.get_best_models()[0].loss

/usr/local/python/3.10.13/lib/python3.10/site-packages/keras/src/saving/saving_lib.py:388: UserWarning: Skipping variable loading for optimizer 'adam', because it has 2 variables whereas the saved optimizer has 10 variables. 
  trackable.load_own_variables(weights_store.get(inner_path))

'mse'

定制预构建超模型的搜索空间

你也可以将这些技术应用于 KerasTuner 中的预构建模型，例如 HyperResNet 或 HyperXception。但是，要查看这些预构建 HyperModel 中包含哪些超参数，你需要阅读源代码。

在下面的示例中，我们只调优 HyperXception 的 learning_rate 并固定所有其余的超参数。由于 HyperXception 的默认损失函数是 categorical_crossentropy，它期望标签是独热编码的，这与我们的原始整数标签数据不匹配，因此我们需要通过在编译参数中将 loss 覆盖为 sparse_categorical_crossentropy 来进行更改。

hypermodel = keras_tuner.applications.HyperXception(input_shape=(28, 28, 1), classes=10)

hp = keras_tuner.HyperParameters()

# This will override the `learning_rate` parameter with your
# own selection of choices
hp.Choice("learning_rate", values=[1e-2, 1e-3, 1e-4])

tuner = keras_tuner.RandomSearch(
    hypermodel,
    hyperparameters=hp,
    # Prevents unlisted parameters from being tuned
    tune_new_entries=False,
    # Override the loss.
    loss="sparse_categorical_crossentropy",
    metrics=["accuracy"],
    objective="val_accuracy",
    max_trials=3,
    overwrite=True,
    directory="my_dir",
    project_name="helloworld",
)

# Run the search
tuner.search(x_train, y_train, epochs=1, validation_data=(x_val, y_val))
tuner.search_space_summary()