Tensorflow2.0学习-Keras Tuner 妙用 (六)

文章目录

• Keras Tuner调整超参数
• • 引包
  • 数据准备
  • 模型准备
  • 跑起来

Keras Tuner调整超参数

Keras Tuner 是一个库，可帮助您为 TensorFlow 程序选择最佳的超参数集。为您的机器学习 (ML)应用选择正确的超参数集，这一过程称为超参数调节或超调。

1. 模型超参数：影响模型的选择，例如隐藏层的数量和宽度
2. 算法超参数：影响学习算法的速度和质量，例如随机梯度下降 (SGD) 的学习率以及 k 近邻 (KNN) 分类器的近邻数

Keras Tuner 简介

引包

import tensorflow as tf
from tensorflow import keras
import keras_tuner as kt

还用我们的老朋友Fashion MNIST 数据集来做数据准备

数据准备

(img_train, label_train), (img_test, label_test) = keras.datasets.fashion_mnist.load_data()
# Normalize pixel values between 0 and 1
img_train = img_train.astype('float32') / 255.0
img_test = img_test.astype('float32') / 255.0

模型准备

构建用于超调的模型时，除了模型架构之外，还要定义超参数搜索空间。您为超调设置的模型称为超模型。在本教程中，您将使用模型构建工具函数来定义图像分类模型。模型构建工具函数将返回已编译的模型，并使用您以内嵌方式定义的超参数对模型进行超调。

首先进行模型构建，对于超参数用内嵌的方式进行。下面代码把第二层全连接的参数和学习率作为了超参数。

def model_builder(hp):
  model = keras.Sequential()
  model.add(keras.layers.Flatten(input_shape=(28, 28)))

  # Tune the number of units in the first Dense layer
  # Choose an optimal value between 32-512
  hp_units = hp.Int('units', min_value=32, max_value=512, step=32)
  model.add(keras.layers.Dense(units=hp_units, activation='relu'))
  model.add(keras.layers.Dense(10))

  # Tune the learning rate for the optimizer
  # Choose an optimal value from 0.01, 0.001, or 0.0001
  hp_learning_rate = hp.Choice('learning_rate', values=[1e-2, 1e-3, 1e-4])

  model.compile(optimizer=keras.optimizers.Adam(learning_rate=hp_learning_rate),
                loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
                metrics=['accuracy'])

  return model

Keras Tuner 提供了四种调节器：RandomSearch、Hyperband、BayesianOptimization 和Sklearn。在本教程中，您将使用 Hyperband 调节器。
要实例化 Hyperband 调节器，必须指定超模型、要优化的 objective 和要训练的最大周期数 (max_epochs)。

Hyperband论文
有了超参数，还要进行调参。这个就是优化准确率了，还有训练的最大周期。

tuner = kt.Hyperband(model_builder,
                     objective='val_accuracy',
                     max_epochs=10,
                     factor=3,
                     directory='my_dir',
                     project_name='intro_to_kt')
# 创建回调以在验证损失达到特定值后提前停止训练。
stop_early = tf.keras.callbacks.EarlyStopping(monitor='val_loss', patience=5)

tuner.search(img_train, label_train, epochs=50, validation_split=0.2, callbacks=[stop_early])

# Get the optimal hyperparameters
best_hps=tuner.get_best_hyperparameters(num_trials=1)[0]

print(f"""
The hyperparameter search is complete. The optimal number of units in the first densely-connected
layer is {best_hps.get('units')} and the optimal learning rate for the optimizer
is {best_hps.get('learning_rate')}.
""")

这个最后可以输出最好的参数
全连接参数为416，学习率是0.0001。真不错！！！

Trial 30 Complete [00h 00m 07s]
val_accuracy: 0.257999986410141

Best val_accuracy So Far: 0.856083333492279
Total elapsed time: 00h 03m 05s

The hyperparameter search is complete. The optimal number of units in the first densely-connected
layer is 416 and the optimal learning rate for the optimizer
is 0.0001.

跑起来

从超参数模型中找到最好的超参数，加载到模型里，找下最好的训练次数

# Build the model with the optimal hyperparameters and train it on the data for 50 epochs
model = tuner.hypermodel.build(best_hps)
history = model.fit(img_train, label_train, epochs=50, validation_split=0.2)

val_acc_per_epoch = history.history['val_accuracy']
best_epoch = val_acc_per_epoch.index(max(val_acc_per_epoch)) + 1
print('Best epoch: %d' % (best_epoch,))

重新实例化超模型并使用上面的最佳训练次数对其进行训练。

hypermodel = tuner.hypermodel.build(best_hps)

# Retrain the model
hypermodel.fit(img_train, label_train, epochs=best_epoch, validation_split=0.2)

最后进行测试

eval_result = hypermodel.evaluate(img_test, label_test)
print("[test loss, test accuracy]:", eval_result)

我在自己电脑上测试，最好的代数就是50代，结果

313/313 [==============================] - 0s 652us/step - loss: 0.7880 - accuracy: 0.8793
[test loss, test accuracy]: [0.7879505157470703, 0.8792999982833862]