使用 HParams 信息中心进行超参数调节

在 TensorFlow.org 上查看 在 Google Colab 中运行 在 GitHub 上查看源代码 下载笔记本

构建机器学习模型时，您需要选择各种超参数，例如层中的随机失活率或学习率。这些决策会影响诸如准确率等模型指标。因此，为您的问题确定最佳超参数是机器学习工作流中的一个重要步骤，这通常需要进行实验。此过程被称为“超参数优化”或“超参数调节”。

TensorBoard 中的 HParams 信息中心为此过程提供了多种工具，可帮助确定最佳实验或最可行的超参数集。

本教程将重点关注以下步骤：

  1. 试验设置和 HParams 摘要
  2. 调整 TensorFlow 运行以记录超参数和指标
  3. 开始运行并将其全部记录在一个父目录下
  4. 在 TensorBoard 的 HParams 信息中心中可视化结果

注：HParams 摘要 API 和信息中心界面尚处于预览阶段，因此会随着时间而变化。

首先，安装 TF 2.0 并加载 TensorBoard 笔记本扩展程序：

# Load the TensorBoard notebook extension %load_ext tensorboard 
# Clear any logs from previous runs rm -rf ./logs/

导入 TensorFlow 和 TensorBoard HParams 插件：

import tensorflow as tf from tensorboard.plugins.hparams import api as hp

下载 FashionMNIST 数据集并对其进行缩放：

fashion_mnist = tf.keras.datasets.fashion_mnist  (x_train, y_train),(x_test, y_test) = fashion_mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 
 Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-labels-idx1-ubyte.gz 32768/29515 [=================================] - 0s 0us/step Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-images-idx3-ubyte.gz 26427392/26421880 [==============================] - 0s 0us/step Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-labels-idx1-ubyte.gz 8192/5148 [===============================================] - 0s 0us/step Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-images-idx3-ubyte.gz 4423680/4422102 [==============================] - 0s 0us/step

1. 试验设置和 HParams 实验摘要

在模型中试验三个超参数：

  1. 第一个密集层中的单元数
  2. 随机失活层中的随机失活率
  3. 优化器

列出要尝试的值，并将实验配置记录到 TensorBoard 中。此为可选步骤：您可以提供域信息以便在界面中更精确地筛选超参数，并且可以指定应显示哪些指标。

HP_NUM_UNITS = hp.HParam('num_units', hp.Discrete([16, 32])) HP_DROPOUT = hp.HParam('dropout', hp.RealInterval(0.1, 0.2)) HP_OPTIMIZER = hp.HParam('optimizer', hp.Discrete(['adam', 'sgd']))  METRIC_ACCURACY = 'accuracy'  with tf.summary.create_file_writer('logs/hparam_tuning').as_default():   hp.hparams_config(     hparams=[HP_NUM_UNITS, HP_DROPOUT, HP_OPTIMIZER],     metrics=[hp.Metric(METRIC_ACCURACY, display_name='Accuracy')],   )

如果您选择跳过此步骤，可以在使用 HParam 值的地方使用字符串字面量（例如，使用 hparams['dropout'] 代替 hparams[HP_DROPOUT]）。

2. 调整 TensorFlow 运行以记录超参数和指标

该模型将非常简单：两个密集层之间有一个随机失活层。尽管不再对超参数进行硬编码，但训练代码仍然相似。超参数将改为在 hparams 字典中提供，并用于整个训练函数：

def train_test_model(hparams):   model = tf.keras.models.Sequential([     tf.keras.layers.Flatten(),     tf.keras.layers.Dense(hparams[HP_NUM_UNITS], activation=tf.nn.relu),     tf.keras.layers.Dropout(hparams[HP_DROPOUT]),     tf.keras.layers.Dense(10, activation=tf.nn.softmax),   ])   model.compile(       optimizer=hparams[HP_OPTIMIZER],       loss='sparse_categorical_crossentropy',       metrics=['accuracy'],   )    model.fit(x_train, y_train, epochs=1) # Run with 1 epoch to speed things up for demo purposes   _, accuracy = model.evaluate(x_test, y_test)   return accuracy

对于每次运行，记录包含超参数和最终准确率的 Hparams 摘要：

def run(run_dir, hparams):   with tf.summary.create_file_writer(run_dir).as_default():     hp.hparams(hparams)  # record the values used in this trial     accuracy = train_test_model(hparams)     tf.summary.scalar(METRIC_ACCURACY, accuracy, step=1)

训练 Keras 模型时，可以使用回调来代替直接编写：

model.fit(     ...,     callbacks=[         tf.keras.callbacks.TensorBoard(logdir),  # log metrics         hp.KerasCallback(logdir, hparams),  # log hparams     ], )

3. 开始运行并将其全部记录在一个父目录下

现在，您可以尝试多个实验，使用不同的超参数集训练每个模型。

为简单起见，请使用网格搜索：尝试使用离散参数的所有组合，以及仅使用实值参数的上界和下界值。对于更复杂的场景，随机选择各个超参数值可能更加有效（这称为随机搜索）。也有更高级的方法可以使用。

运行一些实验，这将需要几分钟时间：

session_num = 0  for num_units in HP_NUM_UNITS.domain.values:   for dropout_rate in (HP_DROPOUT.domain.min_value, HP_DROPOUT.domain.max_value):     for optimizer in HP_OPTIMIZER.domain.values:       hparams = {           HP_NUM_UNITS: num_units,           HP_DROPOUT: dropout_rate,           HP_OPTIMIZER: optimizer,       }       run_name = "run-%d" % session_num       print('--- Starting trial: %s' % run_name)       print({h.name: hparams[h] for h in hparams})       run('logs/hparam_tuning/' + run_name, hparams)       session_num += 1 
 --- Starting trial: run-0 {'num_units': 16, 'dropout': 0.1, 'optimizer': 'adam'} 60000/60000 [==============================] - 4s 62us/sample - loss: 0.6872 - accuracy: 0.7564 10000/10000 [==============================] - 0s 35us/sample - loss: 0.4806 - accuracy: 0.8321 --- Starting trial: run-1 {'num_units': 16, 'dropout': 0.1, 'optimizer': 'sgd'} 60000/60000 [==============================] - 3s 54us/sample - loss: 0.9428 - accuracy: 0.6769 10000/10000 [==============================] - 0s 36us/sample - loss: 0.6519 - accuracy: 0.7770 --- Starting trial: run-2 {'num_units': 16, 'dropout': 0.2, 'optimizer': 'adam'} 60000/60000 [==============================] - 4s 60us/sample - loss: 0.8158 - accuracy: 0.7078 10000/10000 [==============================] - 0s 36us/sample - loss: 0.5309 - accuracy: 0.8154 --- Starting trial: run-3 {'num_units': 16, 'dropout': 0.2, 'optimizer': 'sgd'} 60000/60000 [==============================] - 3s 50us/sample - loss: 1.1465 - accuracy: 0.6019 10000/10000 [==============================] - 0s 36us/sample - loss: 0.7007 - accuracy: 0.7683 --- Starting trial: run-4 {'num_units': 32, 'dropout': 0.1, 'optimizer': 'adam'} 60000/60000 [==============================] - 4s 65us/sample - loss: 0.6178 - accuracy: 0.7849 10000/10000 [==============================] - 0s 38us/sample - loss: 0.4645 - accuracy: 0.8395 --- Starting trial: run-5 {'num_units': 32, 'dropout': 0.1, 'optimizer': 'sgd'} 60000/60000 [==============================] - 3s 55us/sample - loss: 0.8989 - accuracy: 0.6896 10000/10000 [==============================] - 0s 37us/sample - loss: 0.6335 - accuracy: 0.7853 --- Starting trial: run-6 {'num_units': 32, 'dropout': 0.2, 'optimizer': 'adam'} 60000/60000 [==============================] - 4s 64us/sample - loss: 0.6404 - accuracy: 0.7782 10000/10000 [==============================] - 0s 37us/sample - loss: 0.4802 - accuracy: 0.8265 --- Starting trial: run-7 {'num_units': 32, 'dropout': 0.2, 'optimizer': 'sgd'} 60000/60000 [==============================] - 3s 54us/sample - loss: 0.9633 - accuracy: 0.6703 10000/10000 [==============================] - 0s 36us/sample - loss: 0.6516 - accuracy: 0.7755

4. 在 TensorBoard 的 HParams 插件中可视化结果

现在可以打开 HParams 信息中心。启动 TensorBoard，然后点击顶部的“HParams”。

%tensorboard --logdir logs/hparam_tuning

信息中心的左侧窗格提供了筛选功能，该功能在 HParams 信息中心的所有视图中均有效：

  • 筛选在信息中心中显示哪些超参数/指标
  • 筛选在信息中心中显示哪些超参数/指标值
  • 筛选运行状态（正在运行、成功…）
  • 在表格视图中按超参数/指标排序
  • 设置要显示的会话组数（在包含大量实验时可有效提高性能）

HParams 信息中心具有三种不同的视图，包含了各种实用信息：

  • 表格视图将列出运行、其超参数及其指标。
  • 平行坐标视图将每次运行显示为一条穿过每个超参数和指标轴的线。点击并拖动任何轴可标记一个区域，这将仅突出显示通过该区域的运行。需要确定哪些超参数组最为重要时，这种模式非常实用。轴本身可以通过拖动来重新排序。
  • 散点图视图将显示每个超参数/指标与每个指标相比较的图。这种视图可以帮助识别相关性。点击并拖动以选择特定图中的区域后，将在其他图中突出显示相应的会话。

可以点击表格行、平行坐标线和散点图市场，作为该会话训练步骤的函数查看指标图（在本教程中，每次运行仅使用一个步骤）。

要进一步了解 HParams 信息中心的功能，请下载一组包含更多实验的预生成日志：

wget -q 'https://storage.googleapis.com/download.tensorflow.org/tensorboard/hparams_demo_logs.zip' unzip -q hparams_demo_logs.zip -d logs/hparam_demo

在 TensorBoard 中查看这些日志：

%tensorboard --logdir logs/hparam_demo

您可以尝试在 HParams 信息中心中使用不同的视图。

例如，切换到平行坐标视图，然后点击并拖动准确率轴，您可以选择准确率最高的运行。当这些运行通过优化器轴上的 'adam' 时，您可以得出结论，在这些实验中 'adam' 的性能优于 'sgd'。