在Keras中连续训练多个模型以进行超参数优化

Question

其思想是使用相同的训练数据集训练多个模型，每次更改一些参数，以查看哪个参数效果最好。为了做到这一点，我需要每次从头开始训练每个模型。

我当前的代码(简化)是：

scores= []

for i in range(n):
    model = Sequential()
    model.add(...)
    model.compile(...)
    model.fit(...)
    scores.append([i, model.score(...)])

for score in scores:
    print(score)

它按照预期运行打印：

[0, 0.89712456798]
[1, 0.76652347349]
[2, 0.83178943210]
...

但我不能理解代码是否做了上面描述的事情，或者相反，是否训练了依赖于前一个模型的模型。

Answer 1

每次你打电话给

model = Sequential()

您的模型被重新初始化，因此上面的代码草图确实做了您想要它做的事情，即为每个循环迭代从头开始拟合一个新模型。

Answer 2

您的代码很好。它会在每次创建一个新模型时创建。

但我建议并行训练多个模型。我刚刚发现了RayLib，它非常适合这项任务。

https://ray.readthedocs.io/en/latest/auto_examples/plot_hyperparameter.html

您的代码具有4个并行训练会话，每个会话有5次迭代：

import ray

@ray.remote
def train(sequence):
    scores= []
    for i in range(sequence)
        model = Sequential()
        model.add(...)
        model.compile(...)
        model.fit(...)
        scores.append([i, model.score(...)])
    return scores

n=4
results = []
for i in range(n):
    results.append(train.remote(5))

results_data = ray.get(results)

for i in results_data:
    print(i)

您可以将超参数作为训练函数的输入，并快速测试不同的体系结构。RayLib需要Ubuntu tho。