1

Cloud ML Engine 上的超参数调整作业失败并显示错误消息：

Too many hyperparameter tuning metrics were written by Hyperparameter Tuning Trial #...

我该如何解决？

4

1 回答 1

2

首先检查以确保您确实没有写出太多的评估指标。您是否在 EvalSpec 中指定了适当的节流阀？

其次，检查损失指标。训练中的损失度量是否与评估中的损失度量相同？如果是这种情况，您的超参数调优工作就会被训练指标弄糊涂。

最简单的解决方法是定义一个新的评估指标并将该指标（在我的示例中为“rmse”）用作您的超参数标签。

这是一个显示这两个修复的示例：

# create metric for hyperparameter tuning
def my_rmse(labels, predictions):
    pred_values = predictions['predictions']
    return {'rmse': tf.metrics.root_mean_squared_error(labels, pred_values)}


# Create estimator to train and evaluate
def train_and_evaluate(output_dir):

    estimator = tf.estimator.DNNLinearCombinedRegressor(...)

    estimator = tf.contrib.estimator.add_metrics(estimator, my_rmse)

    train_spec = ...
    exporter = ...
    eval_spec = tf.estimator.EvalSpec(
        input_fn = ...,
        start_delay_secs = 60, # start evaluating after N seconds
        throttle_secs = 300,  # evaluate every N seconds
        exporters = exporter)
    tf.estimator.train_and_evaluate(estimator, train_spec, eval_spec)
于 2018-03-01T20:04:23.717 回答