3

我正在尝试使用 Hyperas 调整参数，但我无法解释有关它的一些细节。

Q1) optim.minimize 中的 max_eval 参数是什么？

Q2) 它是否遍历每个 max_eval 的每个参数组合，并根据最佳参数给我最好的损失？

Q3) 如果我给 max_eval = 5 怎么办？

Q4) best_run 和 best_model 在完成所有 max_evals 后返回什么？

Q5）在模型函数下面，我将损失返回为 -test_acc 它与调整参数有什么关系，为什么我们在那里使用负号？

def model(x_train, y_train, x_test, y_test):    

    dense_units1 = {{choice([64, 126, 256, 512])}}
    activations = {{choice(['relu', 'sigmoid'])}}

    epochs  = 100
    verbose = 0

    model = Sequential([
        # layer 1
        Dense(dense_units1, activations, input_shape=(784,)),
               ....
               ....
               ....

    ])
    # compiling model
    model.compile(optimizers, loss='categorical_crossentropy', metrics=['accuracy'])
    # fitting the model
    result = model.fit(x_train, y_train, validation_split=0.2, batch_size=batch_size, 
                        epochs=epochs, verbose=verbose, callbacks=[ES, MC])

    test_loss, test_acc = model.evaluate(x_test, y_test, batch_size=512)

    return {'loss': -test_acc, 'status': STATUS_OK, 'model': model}

best_run, best_model = optim.minimize(model=model, data=dataset, algo=tpe.suggest, 
                                       max_evals=5, 
                                      trials=Trials(), notebook_name='MNIST', 
                                      verbose=True)
4

1 回答 1

2

  1. 该max_eval参数只是优化运行的最大次数。（例如，如果max_evals = 5，Hyperas 将选择不同的超参数组合 5 次，并针对您选择的 epoch 运行每个组合）

  2. 不，它会为每个max_eval. 超参数的最佳组合将是在完成您在max_eval参数中给出的所有评估之后。

  3. 在 Q1 中回答。

  4. 在这种情况下best_model，best_run将返回相同的值。您应该将此添加到您的代码中：

    print('Best performing model chosen hyper-parameters:')
print(best_run)

    这将从它所做的所有运行中打印出最好的超参数。

于 2019-07-19T18:43:17.920 回答