Блог

Я использую пакет scikit-learn optimize для настройки гиперпараметров моей модели. По соображениям производительности и удобочитаемости (я обучаю несколько моделей с одним и тем же процессом), я хочу структурировать всю настройку гиперпараметров в классе:

 ...
import tensorflow as tf
from tensorflow.keras import backend as K
from tensorflow.keras.preprocessing import sequence
from tensorflow.keras.models import Sequential, load_model
from tensorflow.keras.layers import InputLayer, Input, Dense, Embedding, BatchNormalization, Dropout
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.callbacks import TensorBoard, EarlyStopping
from sklearn.preprocessing import MinMaxScaler, OneHotEncoder
from sklearn.model_selection import train_test_split

import skopt
from skopt import gp_minimize
from skopt.space import Real, Categorical, Integer
from skopt.plots import plot_convergence
from skopt.plots import plot_objective, plot_evaluations
from skopt.utils import use_named_args

class hptuning:
   def __init__(self, input_df):
         self.inp_df = input_df
         self.X_train, self.X_test, self.y_train, self.y_test = train_test_split(...)
         self.param_space = self.dim_hptuning()
         self.best_loss = 10000

   def dim_hptuning(self):
         dim_layers = Integer(low=0, high=7, name='layers')
         dim_nodes = Integer(low=2, high=90, name='num_nodes')
         dimensions = [dim_layers, dim_nodes]
         return dimensions

   def create_model(self, layers, nodes):
         model = Sequential()
         for layer in range(layers):
             model.add(Dense(nodes))
         model.add(Dense(1,activation='sigmoid'))
         optimizer = Adam
         model.compile(loss='mean_absolute_error',
                  optimizer=optimizer,
                  metrics=['mae', 'mse'])
         return model
         
   @use_named_args(dimensions=self.param_space)
   def fitness(self,nodes, layers):
         model = self.create_model(layers=layers, nodes=nodes)
         history = model.fit(x=self.X_train.values,y=self.y_train.values,epochs=200,batch_size=200,verbose=0)
         loss = history.history['val_loss'][-1]
         if loss < self.best_loss:
             model.save('model.h5')
             self.best_loss = loss
         del model
         K.clear_session()
         return loss

   def find_best_model(self):
         search_result = gp.minimize(func=self.fitness, dimensions=self.param_space,acq_func='EI',n_calls=10)
         return search_result
hptun = hptuning(input_df=df)
search_result = hptun.find_best_model()
print(search_result.fun)
  

Теперь я получаю проблему, заключающуюся в том, что декоратор @use_named_args не работает в классе так, как он должен быть (пример кода scikit-optimize).Я получаю сообщение об ошибке

 Traceback (most recent call last):
File "main.py", line 138, in <module>
class hptuning:
File "main.py", line 220, in hptuning
@use_named_args(dimensions=self.param_space)
NameError: name 'self' is not defined
  

что, очевидно, связано с неправильным использованием декоратора в этом сценарии.

Вероятно, из-за моего недостаточного понимания функциональности таких декораторов я не могу запустить это. Может ли кто-нибудь помочь мне в этом?

Заранее спасибо всем за поддержку!

Проблема self отсутствия определения не связана с scikit.Учиться. Вы не можете использовать self для определения декоратора, потому что он определяется только внутри метода, который вы оформляете. Но даже если вы обойдете эту проблему стороной (например, предоставив param_space в качестве глобальной переменной) Я ожидаю, что следующей проблемой будет то, что self будет передано use_named_args декоратору, но он ожидает, что будут оптимизированы только аргументы.

Наиболее очевидным решением было бы не использовать декоратор в fitness методе, а определить оформленную функцию, которая вызывает fitness метод, внутри find_best_model метода, вот так:

    def find_best_model(self):
         @use_named_args(dimensions=self.param_space)
         def fitness_wrapper(*args, **kwargs):
             return self.fitness(*args, **kwargs)
         search_result = gp.minimize(func=fitness_wrapper, dimensions=self.param_space,acq_func='EI',n_calls=10)
         return search_result