網格搜尋調節器 (GridSearch Tuner)

[來源]

GridSearch 類別

keras_tuner.GridSearch(
    hypermodel=None,
    objective=None,
    max_trials=None,
    seed=None,
    hyperparameters=None,
    tune_new_entries=True,
    allow_new_entries=True,
    max_retries_per_trial=0,
    max_consecutive_failed_trials=3,
    **kwargs
)

網格搜尋調節器。

此調節器會迭代所有可能的超參數組合。

例如，使用

optimizer = hp.Choice("model_name", values=["sgd", "adam"])
learning_rate = hp.Choice("learning_rate", values=[0.01, 0.1])

此調節器將涵蓋以下組合：["sgd", 0.01], ["sgd", 0.1], ["adam", 0.01] ["adam", 0.1]。

對於以下超參數類型，網格搜尋不會窮舉所有可能的值

• hp.Float()，當未指定 step 時。
• hp.Int()，當 sampling 設定為 "log" 或 "reverse_log"，且未指定 step 時。

對於這些情況，KerasTuner 預設會在範圍內均勻地選取 10 個樣本。若要設定 hp.Float() 和 hp.Int() 的取樣粒度，請在其初始化器中使用 step 參數。

參數

• hypermodel：HyperModel 類別的實例（或接受超參數並返回模型實例的可呼叫物件）。當覆寫 Tuner.run_trial() 且未使用 self.hypermodel 時，此參數為可選的。
• objective：字串、keras_tuner.Objective 實例，或 keras_tuner.Objective 和字串的清單。如果是字串，則會推斷最佳化的方向（最小化或最大化）。如果是 keras_tuner.Objective 的清單，我們將最小化所有目標的總和以最小化，減去所有目標的總和以最大化。當 Tuner.run_trial() 或 HyperModel.fit() 返回單個浮點數作為要最小化的目標時，objective 參數為可選的。
• max_trials：可選的整數，表示最多要測試的試驗（模型配置）總數。請注意，如果搜索空間已耗盡，則預測器可能會在測試 max_trial 個模型之前中斷搜索。如果未指定，則會一直運行，直到搜索空間耗盡。
• seed：可選的整數，隨機種子。
• hyperparameters：可選的 HyperParameters 實例。可用於覆寫（或預先註冊）搜索空間中的超參數。
• tune_new_entries：布林值，表示是否應該將超模型請求但未在 hyperparameters 中指定的超參數項目添加到搜索空間。如果不是，則將使用這些參數的默認值。默認為 True。
• allow_new_entries：布林值，表示是否允許超模型請求未在 hyperparameters 中列出的超參數項目。默認為 True。
• max_retries_per_trial：整數。默認為 0。如果 Trial 崩潰或結果無效，則重試的最大次數。
• max_consecutive_failed_trials：整數。默認為 3。連續失敗的 Trial 的最大次數。達到此數目時，搜索將停止。當所有重試均失敗時，Trial 將標記為失敗。
• **kwargs：與所有 Tuner 子類別相關的關鍵字參數。請參閱 Tuner 的說明文件。