keras-tuner - 兼具易用性和可扩展性的超参数优化工具

KerasTuner 项目介绍

项目概述

KerasTuner是一个用户友好的、可扩展的超参数优化框架，专门用于解决超参数搜索中的难题。通过定义即运行的语法，用户可以轻松配置搜索空间，随后利用可用的搜索算法，找到模型的最佳超参数值。KerasTuner内置了贝叶斯优化、Hyperband和随机搜索算法，并且设计上非常容易扩展，研究人员可以尝试新的搜索算法。

安装指南

要使用KerasTuner，需要Python 3.8+和TensorFlow 2.0+。用户可以通过以下命令安装最新版本：

pip install keras-tuner

用户也可以访问GitHub仓库查看其他版本的信息。

快速入门

要在项目中使用KerasTuner，用户首先需要导入KerasTuner和TensorFlow：

import keras_tuner
from tensorflow import keras

接着，编写一个创建并返回Keras模型的函数。在模型创建过程中使用hp参数定义超参数：

def build_model(hp):
  model = keras.Sequential()
  model.add(keras.layers.Dense(
      hp.Choice('units', [8, 16, 32]),
      activation='relu'))
  model.add(keras.layers.Dense(1, activation='relu'))
  model.compile(loss='mse')
  return model

然后，初始化一个调优器（此处为RandomSearch），使用objective指定选择最佳模型的目标，并使用max_trials指定需要尝试的不同模型数量：

tuner = keras_tuner.RandomSearch(
    build_model,
    objective='val_loss',
    max_trials=5)

开始搜索并获取最佳模型：

tuner.search(x_train, y_train, epochs=5, validation_data=(x_val, y_val))
best_model = tuner.get_best_models()[0]

贡献指南

用户可以参考项目的CONTRIBUTING.md了解贡献指南，感谢所有贡献者。

社区与支持

用户可以在GitHub Discussions上提出问题，与社区交流。

文献引用

如果KerasTuner对您的研究有帮助，项目组欣赏您的引用：

@misc{omalley2019kerastuner,
	title        = {KerasTuner},
	author       = {O'Malley, Tom and Bursztein, Elie and Long, James and Chollet, Fran\c{c}ois and Jin, Haifeng and Invernizzi, Luca and others},
	year         = 2019,
	howpublished = {https://github.com/keras-team/keras-tuner}
}

KerasTuner为机器学习从业者和研究人员提供了一套功能强大的工具，以便更有效地优化模型的超参数设置。这使得开发更高效且性能卓越的模型成为可能，同时大幅降低了超参数调优的复杂性。