问题标签 [talos]

我尝试了多种调试选项，但在停止之前，我无法让 talos 执行多个排列，而没有任何关于问题的提示。这种情况似乎很简单，那我做错了什么？

输入数据可在此处获得。

以下是我的模型函数、参数空间和 talos.Scan() 调用。完整代码可在此处获得。

这是我的输出：

编辑1

我注意到我在 p 中的一些参数没有在模型函数中使用。更改后，搜索仍然停止。我已经编辑了上面的代码。

我正在尝试使用 CNN 解决多目标回归问题。为了优化超参数，我使用了 Talos 库，但最终出现错误：

检查输入时出错：预期 conv1d_1_input 有 3 个维度，但得到了形状为 (280000, 70) 的数组

数据集描述：X有70个特征，Y有32个目标时间序列长度：509760个时间点

代码：

错误如下：

我正在尝试为我的 CNN 运行 Talos 超参数搜索。拥有 6 个 GPU 可以更快地运行实验，Talos 功能 multi_gpu 似乎很方便。

需要在 model.compile 之前调用该函数。

但似乎仍然只有一项工作同时执行。我希望，应该同时处理一个有 6 条可能路径的实验。现在它还在一个接一个地工作。

有任何想法吗？

在 Windows 10 上的 Anaconda 中还可以，但如果我需要导入一些无法识别 talos 的命令

ImportError：无法从“talos.metrics.keras_metrics”导入名称“fmeasure_acc”（C:\Users\Libardo\Anaconda3\lib\site-packages\talos\metrics\keras_metrics.py）

我正在尝试使用 Talos 运行超参数优化。因为我有很多参数要测试，所以我想使用一个“grid_downsample”参数，它将选择所有可能的超参数组合的 30%。但是，当我运行我的代码时，我得到：TypeError: __init__() got an unexpected keyword argument 'grid_downsample'

我在没有“grid_downsample”选项和较少超参数的情况下测试了下面的代码。

这段代码运行良好。如果我将 scan_object 作为结尾更改为: scan_object = ta.Scan(X, Y, model=dnn_model, grid_downsample=0.3, params=p, experiment_name="test")，它会给我错误：TypeError: __init__() got an unexpected keyword argument 'grid_downsample'虽然我期望结果格式与普通网格搜索相同，但组合更少。我错过了什么？参数的名称是否更改？我在 conda 环境中使用 Talos 0.6.3。谢谢！

我发现与 Keras 函数式 API 一起使用的唯一超参数优化库是 Talos。

https://github.com/autonomio/talos/blob/9890d71d31451af3d7e8d91a75841bc7904db958/docs/Examples_Multiple_Inputs.md

有谁知道其他可以工作的吗？

我正在使用Talos和 Google colab TPU运行 Keras 模型的超参数调整。请注意，我使用的是 Tensorflow 1.15.0 和 Keras 2.2.4-tf。

使用 将训练集转换为数据集后，使用tf.data.Dataset拟合模型时出现以下错误out = model.fit：

然后，如果我按照这些说明操作并且不将批量大小参数设置为model.fit. 我收到另一个错误：

我正在使用Talos和 Google colab TPU运行 Keras 模型的超参数调整。我正在使用 Tensorflow 2.0.0 和 Keras 2.2.4-tf：

使用tf.data.Dataset将训练集转换为数据集后，使用out = model.fit拟合Keras模型时出现以下错误：

我正在使用Talos和 Google colab TPU运行 Keras 模型的超参数调整。请注意，我使用的是 Tensorflow 2.0.0 和 Keras 2.2.4-tf。

使用tf.data.Dataset将训练集转换为数据集后，使用out = model.fit拟合模型时出现以下错误：

语境：

我正在尝试在希望为 0.95 val_acc 的kaggle 细胞数据集上训练图像分类器。我尝试了许多模型架构和 epoch 数，以及其他几个超参数，得出了一个有希望的集合，产生 0.9 val_acc。

我尝试过的事情：

• 将图像标签对打乱在一起，因此正确的标签留在图像中
• 标准化图像，使每个像素介于 0 和 1 之间
• 添加BatchNormalization()，Dropout()以减少过拟合（现在模型欠拟合）
• 尝试了超参数的排列

问题：

在 0.9 处给出最佳 val_acc 的超参数集。我尝试了很多排列，我有什么遗漏/做错了吗？

模型：

激活和 val_acc、val_loss 的可视化

笔记：

优化是使用talos可以在这里找到的。我在这里编辑并添加了一些模块。

编辑1：

我使用的优化器是 Nadam，学习率为 0.0002。完整的笔记本。

TLDR：

使用来自尝试大约 200 个不同超参数的测试运行中的最佳超参数在kaggle 细胞数据集上进行训练。0.9 的高原。为什么不更高？

完整的笔记本