Блог

В настоящее время я использую HParams для запуска сеанса оптимизации гиперпараметров поиска по сетке, который работает нормально и выводит журналы в мой плагин tensorboard HParams, и я могу видеть различные прогоны и представление параллельных координат. Код структурирован следующим образом, хотя, возможно, нет необходимости просматривать его для этого вопроса:

 def hparam_wrap(args, n_classes, train_dataset, val_dataset, tokenizer):
    log_date_subfolder = time.strftime("%Y%m%d-%H%M%S")
    hparams_dict={
        'HP_EMBEDDING_NODES': hp.HParam('embedding_nodes', hp.Discrete([200,300])),
        'HP_LSTM_NODES': hp.HParam('lstm_nodes', hp.Discrete([200,300])),
        'HP_TIMEDIST_NODES': hp.HParam('timedist_nodes', hp.Discrete([200,300])),
        'HP_NUM_DENSE_LAYERS': hp.HParam('num_dense_layers', hp.Discrete([3,4, 5])),
        'HP_DENSE_NODES': hp.HParam('dense_nodes', hp.Discrete([300,400, 500])),
        'HP_LEARNING_RATE': hp.HParam('learning_rate', hp.Discrete([0.001, 0.0001, 0.00001])),
        'HP_DROPOUT': hp.HParam('dropout', hp.Discrete([0.3, 0.4,0.5, 0.6])),
        'HP_BATCH_SIZE': hp.HParam('batch_size', hp.Discrete([96]))
    }
    session_num = 0
    for en in hparams_dict['HP_EMBEDDING_NODES'].domain.values:
        for ln in hparams_dict['HP_LSTM_NODES'].domain.values:
            for td in hparams_dict['HP_TIMEDIST_NODES'].domain.values:
                for dl in hparams_dict['HP_NUM_DENSE_LAYERS'].domain.values:
                    for dn in hparams_dict['HP_DENSE_NODES'].domain.values:
                        for lr in hparams_dict['HP_LEARNING_RATE'].domain.values:
                            for do in hparams_dict['HP_DROPOUT'].domain.values:
                                for bs in hparams_dict['HP_BATCH_SIZE'].domain.values:
                                    hparams ={
                                        'HP_NUM_DENSE_LAYERS': dl,
                                        'HP_LEARNING_RATE': lr,
                                        'HP_DROPOUT': do,
                                        'HP_DENSE_NODES': dn,
                                        'HP_BATCH_SIZE': bs,
                                        'HP_EMBEDDING_NODES': en,
                                        'HP_LSTM_NODES': ln,
                                        'HP_TIMEDIST_NODES': td
                                    }
                                    run_name = "run-%d" % session_num
                                    print('--- Starting trial: %s' % run_name)
                                    print({h: hparams[h] for h in hparams})

                                    log_dir = os.path.join('s3://sn-classification', args.type, 'Logs', args.country,
                                                           args.subfolder, 'HParams', log_date_subfolder)

                                    run_hparam(log_dir, hparams, hparams_dict, args, n_classes, train_dataset,
                                               val_dataset, tokenizer)
                                    session_num  = 1


def run_hparam(log_dir, hparams, hparams_dict, args, n_classes, train_dataset, val_dataset, tokenizer):
  with tf.summary.create_file_writer(log_dir).as_default():
    hp.hparams_config(
    hparams=list(hparams_dict.values()),
    metrics=[hp.Metric('val_top_k_categorical_accuracy', display_name='TopK_Val_Accuracy'),hp.Metric('val_loss', display_name='val_loss')]
  )
    # hp.hparams(hparams)  # record the values used in this trial
    hp.hparams({hparams_dict[h]: hparams[h] for h in hparams_dict.keys()})
    history = train(args,n_classes,hparams,train_dataset, val_dataset, tokenizer)
    tf.summary.scalar('val_top_k_categorical_accuracy', history['val_top_k_categorical_accuracy'][-1], step=1)
    tf.summary.scalar('val_loss', history['val_loss'][-1], step=1)
  

Я много погуглил, но все еще не уверен, как реализовать более эффективный сеанс оптимизации, такой как байесовская оптимизация, чтобы быстрее найти оптимальную модель. Все, что я хочу знать, это — возможно ли выполнить байесовскую оптимизацию внутри HParams, или мне нужно использовать другой пакет, такой как веса и смещения? Если это возможно, любой совет о том, где найти пример такой реализации, был бы очень полезен.

Это давно открытый запрос функции, и, к сожалению, в настоящее время он все еще не реализован в HPARAMS разделе, но Keras-tuner позволит вам регистрировать результаты каждого запуска. Кодирование значений гиперпараметров в эти имена каталогов может быть быстрым и грязным обходным путем. В интересах будущих читателей я предоставил руководство по использованию TensorBoard для байесовской оптимизации в конце этого ответа.

Я мог бы добавить, что визуализация TensorBoard полезна для использования сетки или случайного поиска для информирования разработчика о ручной настройке интуиции, но поскольку байесовская оптимизация — это автономный оптимизатор черного ящика, вы должны быть в состоянии позволить ему работать без того, чтобы на саму оптимизацию влияло отсутствие визуализаций — хотя я согласен, что это все равно было бы хорошей функцией.

Чтобы реализовать байесовскую оптимизацию в TensorFlow и регистрировать потери при каждом запуске, я предоставляю следующее для будущих читателей:

Сначала определите объект с гиперпараметрами hp .

 from kerastuner.engine.hyperparameters import HyperParameters
hp = HyperParameters()
  

Напишите model_builder функцию с аргументом hp , включающую гиперпараметры в модель с использованием hp.get('name') . Определите Keras-tuner BayesianOptimization -тюнер.

 import kerastuner as kt
tuner = kt.BayesianOptimization(model_builder,
                                hyperparameters = hp,
                                max_trials      = 20,
                                objective       = 'val_loss')
  

Включите tf.keras.callbacks.TensorBoard(cb_dir) в свои обратные вызовы для регистрации графиков потерь при каждом запуске BaysianOptimiser в каталоге cb_dir . Сюда входят скалярные графики для эпохи, но не для HPARAMS раздела. Возможно, вы захотите назвать эти файлы запуска так, чтобы в них были перечислены гиперпараметры.

 tuner.search(inputs, prices,
             validation_split = 0.2,
             batch_size       = 32,
             callbacks        = [tf.keras.callbacks.TensorBoard(cb_dir)],
             epochs           = 30)
  

Получите доступ к словарям для лучших n комбинаций гиперпараметров с помощью

 ith_best_hp_dict = tuner.get_best_hyperparameters(num_trials = n)[i]