Des modules de réglage d'hyper paramètres tels qu'Optuna sortent, mais j'aimerais essayer le module de réglage d'hyper récemment introduit pour Keras Keras Tuner. ..

Fondamentalement, il s'agit d'une traduction japonaise de ici.

conditions

Les modules suivants sont nécessaires pour faire fonctionner Keras Tuner.

--Python 3.6 et supérieur --TensorFlow 2.0 ou supérieur

Le Keras utilisé est également tf.keras.

Installation

Vous pouvez l'installer avec pip.

pip install -U keras-tuner

En passant, si vous avez AutoKeras installé, vous avez déjà installé Keras Tuner. (Auto Keras utilise Keras Tuner pour le réglage des paramètres)

Il est également possible d'installer à partir de la source.

Échantillon simple

Tout d'abord, prenons un exemple simple pour voir comment l'utiliser.

from tensorflow import keras
from tensorflow.keras import layers

from kerastuner.tuners import RandomSearch

(x, y), (val_x, val_y) = keras.datasets.mnist.load_data()
x = x.astype('float32') / 255.
val_x = val_x.astype('float32') / 255.

x = x[:10000]
y = y[:10000]

def build_model(hp):
    model = keras.Sequential()
    model.add(layers.Flatten(input_shape=(28, 28)))
    for i in range(hp.Int('num_layers', 2, 20)):
        model.add(layers.Dense(units=hp.Int('units_' + str(i), 32, 512, 32),
                               activation='relu'))
    model.add(layers.Dense(10, activation='softmax'))
    model.compile(
        optimizer=keras.optimizers.Adam(
            hp.Choice('learning_rate', [1e-2, 1e-3, 1e-4])),
        loss='sparse_categorical_crossentropy',
        metrics=['accuracy'])
    return model

tuner = RandomSearch(
    build_model,
    objective='val_accuracy',
    max_trials=5,
    executions_per_trial=3,
    directory='test_dir',
    project_name='helloworld')

tuner.search_space_summary()

tuner.search(x=x,
             y=y,
             epochs=3,
             validation_data=(val_x, val_y))

tuner.results_summary()

L'ensemble de données utilisé est le MNIST familier.

importer

Pour utiliser "Keras Tuner", importez "Random Search".

Construire un modèle

Tout d'abord, préparez une fonction pour créer un modèle. Préparez la variable d'hyper-paramètre "hp" comme argument.

Il existe deux façons d'ajuster la valeur dans cet exemple.

--Plage de valeurs --hp.Int (nom, début, fin, coche)

La valeur par défaut des graduations est 1 --Valeur spécifiée --hp.Choice (nom, [liste de valeurs])

Algorithme de recherche

Nous créons une instance qui effectue une recherche aléatoire (RandomSearch) comme algorithme de recherche. Vous pouvez également spécifier Hyperband (https://arxiv.org/pdf/1603.06560.pdf) (Hyperband).

`Exemple`


from kerastuner.tuners import Hyperband

tuner = Hyperband(
    hypermodel,
    objective='val_accuracy',
    max_epochs=40,
    directory='my_dir',
    project_name='helloworld')

Ici, en plus de définir la fonction de construction du modèle, définissez le nombre d'essais (max_trials) et le nombre de modèles pour chaque essai (executions_per_trial). Les résultats sont enregistrés dans le répertoire "test_dir / helloworld".

Affichez le contenu de l'espace de recherche avec search_space_summary ().

[Search space summary]
 |-Default search space size: 4
 > num_layers (Int)
 |-default: None
 |-max_value: 20
 |-min_value: 2
 |-sampling: None
 |-step: 1
 > units_0 (Int)
 |-default: None
 |-max_value: 512
 |-min_value: 32
 |-sampling: None
 |-step: 32
 > units_1 (Int)
 |-default: None
 |-max_value: 512
 |-min_value: 32
 |-sampling: None
 |-step: 32
 > learning_rate (Choice)
 |-default: 0.01
 |-ordered: True
 |-values: [0.01, 0.001, 0.0001]

Dans cet exemple, les valeurs de chaque paramètre sont affichées.

Chercher

Recherchez le meilleur paramètre avec search (). L'argument est le même que le soi-disant "fit ()".

Les résultats sont affichés avec results_summary ().

[Results summary]
 |-Results in test_dir\helloworld
 |-Showing 10 best trials
 |-Objective(name='val_accuracy', direction='max')
[Trial summary]
 |-Trial ID: 5dae177f590b1ff7f9a549cda6ae9567
 |-Score: 0.9282999634742737
 |-Best step: 0
 > Hyperparameters:
 |-learning_rate: 0.0001
 |-num_layers: 10
 |-units_0: 256
 |-units_1: 352
 |-units_10: 416
 |-units_11: 448
 |-units_12: 480
 |-units_13: 128
 |-units_14: 64
 |-units_15: 32
 |-units_16: 512
 |-units_17: 256
 |-units_18: 96
 |-units_19: 64
 |-units_2: 480
 |-units_3: 320
 |-units_4: 64
 |-units_5: 512
 |-units_6: 320
 |-units_7: 512
 |-units_8: 320
 |-units_9: 64
[Trial summary]
 |-Trial ID: 496aa846dabfafb3c67270e3ce810234
 |-Score: 0.9157333374023438
 |-Best step: 0
 > Hyperparameters:
 |-learning_rate: 0.01
 |-num_layers: 3
 |-units_0: 64
 |-units_1: 416
 |-units_2: 32
[Trial summary]
 |-Trial ID: c516cbd03faf4aa32cf8182ab34eb114
 |-Score: 0.8071333765983582
 |-Best step: 0
 > Hyperparameters:
 |-learning_rate: 0.0001
 |-num_layers: 18
 |-units_0: 160
 |-units_1: 384
 |-units_10: 32
 |-units_11: 32
 |-units_12: 32
 |-units_13: 32
 |-units_14: 32
 |-units_15: 32
 |-units_16: 32
 |-units_17: 32
 |-units_2: 320
 |-units_3: 512
 |-units_4: 416
 |-units_5: 416
 |-units_6: 96
 |-units_7: 128
 |-units_8: 160
 |-units_9: 32
[Trial summary]
 |-Trial ID: 81260e9782e1bc81da957360c6322371
 |-Score: 0.7860667109489441
 |-Best step: 0
 > Hyperparameters:
 |-learning_rate: 0.01
 |-num_layers: 9
 |-units_0: 64
 |-units_1: 512
 |-units_2: 224
 |-units_3: 32
 |-units_4: 32
 |-units_5: 32
 |-units_6: 32
 |-units_7: 32
 |-units_8: 32
[Trial summary]
 |-Trial ID: eb9da62f11d1bb75b11b9d05c79ae7ec
 |-Score: 0.11349999904632568
 |-Best step: 0
 > Hyperparameters:
 |-learning_rate: 0.01
 |-num_layers: 20
 |-units_0: 224
 |-units_1: 288
 |-units_10: 32
 |-units_11: 64
 |-units_12: 448
 |-units_13: 64
 |-units_14: 512
 |-units_15: 96
 |-units_16: 256
 |-units_17: 64
 |-units_18: 32
 |-units_19: 32
 |-units_2: 352
 |-units_3: 480
 |-units_4: 128
 |-units_5: 160
 |-units_6: 224
 |-units_7: 480
 |-units_8: 224
 |-units_9: 352

Dans cet exemple, 5 essais sont affichés. (Par ordre de meilleure note)

Si vous voulez l'obtenir comme modèle

`Exemple`


models = tuner.get_best_models(num_models=2)

Utilisez tuner.get_best_models () comme ceci.

Dérivation de classe

Vous pouvez également définir la construction du modèle dans des classes au lieu de fonctions. Dans ce cas, il sera dérivé de la classe HyperModel. La seule fonction qui doit être implémentée est build ().

from tensorflow import keras
from tensorflow.keras import layers

from kerastuner.tuners import RandomSearch
from kerastuner import HyperModel

class MyHyperModel(HyperModel):

    def __init__(self, num_classes):
        self.num_classes = num_classes

    def build(self, hp):
        model = keras.Sequential()
        for i in range(hp.Int('num_layers', 2, 20)):
            model.add(layers.Dense(units=hp.Int('units_' + str(i), 32, 512, 32),
                               activation='relu'))
        model.add(layers.Dense(self.num_classes, activation='softmax'))
        model.compile(
            optimizer=keras.optimizers.Adam(
                hp.Choice('learning_rate',
                          values=[1e-2, 1e-3, 1e-4])),
            loss='sparse_categorical_crossentropy',
            metrics=['accuracy'])
        return model

hypermodel = MyHyperModel(num_classes=10)

tuner = RandomSearch(
    hypermodel,
    objective='val_accuracy',
    max_trials=10,
    directory='my_dir',
    project_name='helloworld')

tuner.search(x, y,
             epochs=5,
             validation_data=(val_x, val_y))

À ce stade, vous pouvez spécifier la valeur par défaut de la valeur à ajuster.

`Exemple`


hp.Int('units',
       min_value=32,
       max_value=512,
       step=32,
       default=128)

Modèle intégré

Les modèles ResNet et Xception sont déjà disponibles.

`Exemple`


from kerastuner.applications import HyperResNet

hypermodel = HyperResNet(input_shape=(128, 128, 3), num_classes=10)

`Exemple`


from kerastuner.applications import HyperXception

hypermodel = HyperXception(input_shape=(128, 128, 3), num_classes=10)

Si vous souhaitez modifier les paramètres à ajuster dans le modèle intégré, préparez des hyper-paramètres avec les noms indiqués ci-dessous et définissez-les lors de la création d'une instance de l'algorithme de recherche. À ce moment-là, définissez tune_new_entries sur False.

from kerastuner.applications import HyperXception
from kerastuner import HyperParameters
from kerastuner.tuners import Hyperband

hypermodel = HyperXception(input_shape=(128, 128, 3), num_classes=10)

hp = HyperParameters()
hp.Choice('learning_rate', values=[1e-2, 1e-3, 1e-4])

tuner = Hyperband(
    hypermodel,
    hyperparameters=hp,
    tune_new_entries=False,
    objective='val_accuracy',
    max_epochs=40,
    directory='my_dir',
    project_name='helloworld')

tuner.search(x, y,
             validation_data=(val_x, val_y))

Au contraire, si vous ne souhaitez pas l'ajuster, vous pouvez définir une valeur fixe. Spécifiez la valeur avec fixed () et définissez tune_new_entries = True.

`Exemple`


hypermodel = HyperXception(input_shape=(128, 128, 3), num_classes=10)

hp = HyperParameters()
hp.Fixed('learning_rate', value=1e-4)

tuner = Hyperband(
    hypermodel,
    hyperparameters=hp,
    tune_new_entries=True,
    objective='val_accuracy',
    max_epochs=40,
    directory='my_dir',
    project_name='helloworld')

tuner.search(x, y,
             validation_data=(val_x, val_y))

De plus, les variables «optimiseur», «perte» et «métrique» peuvent être modifiées directement.

`Exemple`


hypermodel = HyperXception(input_shape=(128, 128, 3), num_classes=10)

tuner = Hyperband(
    hypermodel,
    optimizer=keras.optimizers.Adam(1e-3),
    loss='mse',
    metrics=[keras.metrics.Precision(name='precision'),
             keras.metrics.Recall(name='recall')],
    objective='val_precision',
    max_epochs=40,
    directory='my_dir',
    project_name='helloworld')

tuner.search(x, y,
             validation_data=(val_x, val_y))

Autres fonctions

De plus, les fonctions suivantes sont disponibles.

Réglage distribué
Effectuer le réglage des paramètres en parallèle
Personnaliser le tuner --Correspondance au GAN et renforcement de l'apprentissage
Utilisé en dehors de la fonction de création de modèle (prétraitement, extension de données, extension de temps de test)

Les détails sont omis ici.

Résumé

Je pense qu'il peut être utilisé lorsque vous souhaitez régler un petit paramètre avec Keras.

URL de référence

https://tksmml.hatenablog.com/entry/2020/02/01/093000

[PYTHON] Réglage des paramètres Keras avec Keras Tuner

conditions

Installation

Échantillon simple

importer

Construire un modèle

Algorithme de recherche

Exemple

Chercher

Exemple

Dérivation de classe

Exemple

Modèle intégré

Exemple

Exemple

Exemple

Exemple

Autres fonctions

Résumé

URL de référence

`Exemple`

`Exemple`

`Exemple`

`Exemple`

`Exemple`

`Exemple`

`Exemple`