1回答

正十七

2019-10-20

可以使用

from tensorboard.plugins.hparams import api as hp来替代hparams。使用方法可以参考：

https://www.tensorflow.org/tensorboard/hyperparameter_tuning_with_hparams

这是这个API的说明：

Help on module tensorboard.plugins.hparams.api in tensorboard.plugins.hparams:

NAME
    tensorboard.plugins.hparams.api - Experimental public APIs for the HParams plugin.

DESCRIPTION
    This module supports a spectrum of use cases, depending on how much
    structure you want. In the simplest case, you can simply collect your
    hparams into a dict, and use a Keras callback to record them:
    
    >>> from tensorboard.plugins.hparams import api as hp
    >>> hparams = {
    ...     "optimizer": "adam",
    ...     "fc_dropout": 0.2,
    ...     "neurons": 128,
    ...     # ...
    ... }
    >>>
    >>> model = model_fn(hparams)
    >>> callbacks = [
    >>>     tf.keras.callbacks.TensorBoard(logdir),
    >>>     hp.KerasCallback(logdir, hparams),
    >>> ]
    >>> model.fit(..., callbacks=callbacks)
    
    The Keras callback requires that TensorFlow eager execution be enabled.
    
    If not using Keras, use the `hparams` function to write the values
    directly:
    
    >>> # In eager mode:
    >>> with tf.create_file_writer(logdir).as_default():
    ...   hp.hparams(hparams)
    >>>
    >>> # In legacy graph mode:
    >>> with tf.compat.v2.create_file_writer(logdir).as_default() as w:
    ...   sess.run(w.init())
    ...   sess.run(hp.hparams(hparams))
    ...   sess.run(w.flush())
    
    To control how hyperparameters and metrics appear in the TensorBoard UI,
    you can define `HParam` and `Metric` objects and collect them in an
    `Experiment`:
    
    >>> HP_OPTIMIZER = hp.HParam("optimizer")
    >>> HP_FC_DROPOUT = hp.HParam(
    ...     "fc_dropout",
    ...     display_name="f.c. dropout",
    ...     description="Dropout rate for fully connected subnet.",
    ... )
    >>> HP_NEURONS = hp.HParam("neurons", description="Neurons per dense layer")
    >>>
    >>> experiment = hp.Experiment(
    ...     hparams=[
    ...         HP_OPTIMIZER,
    ...         HP_FC_DROPOUT,
    ...         HP_NEURONS,
    ...     ],
    ...     metrics=[
    ...         hp.Metric("xent", group="validation", display_name="cross-entropy"),
    ...         hp.Metric("f1", group="validation", display_name="F₁ score"),
    ...         hp.Metric("loss", group="train", display_name="training loss"),
    ...     ],
    ... )
    >>> with tf.summary.create_file_writer(base_logdir).as_default():
    ...   hp.hparams_config(experiment)  # write experiment summary
    
    You can continue to pass a string-keyed dict to the Keras callback or
    the `hparams` function, or you can use `HParam` objects as the keys. The
    latter approach enables better static analysis: your favorite Python
    linter can tell you if you misspell a hyperparameter name, your IDE can
    help you find all the places where a hyperparameter is used, etc:
    
    >>> hparams = {
    ...     HP_OPTIMIZER: "adam",
    ...     HP_FC_DROPOUT: 0.2,
    ...     HP_NEURONS: 128,
    ...     # ...
    ... }
    >>>
    >>> model = model_fn(hparams)
    >>> callbacks = [
    >>>     tf.keras.callbacks.TensorBoard(logdir),
    >>>     hp.KerasCallback(logdir, hparams),
    >>> ]
    
    Finally, you can choose to annotate your hparam definitions with domain
    information:
    
    >>> HP_OPTIMIZER = hp.HParam("optimizer", hp.Discrete(["adam", "sgd"]))
    >>> HP_FC_DROPOUT = hp.HParam("fc_dropout", hp.RealInterval(0.1, 0.4))
    >>> HP_NEURONS = hp.HParam("neurons", hp.IntInterval(64, 256))
    
    The TensorBoard HParams plugin does not provide tuners, but you can
    integrate these domains into your preferred tuning framework if you so
    desire. The domains will also be reflected in the TensorBoard UI.
    
    See the `Experiment`, `HParam`, `Metric`, and `KerasCallback` classes
    for API specifications. Consult the `hparams_demo.py` script in the
    TensorBoard repository for an end-to-end MNIST example.

0

0