Tensorflow: 将网格搜索参数传递给 TensorFlowEstimator 自定义模型

GridSearchCV 是一种自动测试和优化超参数的好方法。 我将它与 TensorFlowEstimator 一起使用来优化 learning_rate、batch_size 等。 如果我还可以使用它来自定义自定义模型中的其他参数，那将是一个很好的补充。

例如，假设我有一个带有卷积网络的自定义模型，并且我想优化步幅值。 这个伪代码解释了我想要实现的目标。

我使用模型函数的自定义“参数”输入只是作为示例，并不是暗示这一定是实现此功能的正确方法。

# My custom model. 
# Feature request: New params dict with values filled by GridSearchCV
def cnn_model(X, Y, params):
  stride = params['stride']
  ... custom model definition here ...

# Create the Convnet classifier
cnn_classifier = learn.TensorFlowEstimator(model_fn=cnn_model)

# Grid search on different stride values.
parameters = {'stride': [1, 2, 3],}
grid_searcher = GridSearchCV(cnn_classifier, parameters)
grid_searcher.fit(X, Y)