Tensorflow: Übergeben Sie Rastersuchparameter an das benutzerdefinierte TensorFlowEstimator-Modell

GridSearchCV ist eine großartige Möglichkeit, Hyperparameter automatisch zu testen und zu optimieren. Ich verwende es mit TensorFlowEstimator, um learning_rate, batch_size usw. zu optimieren. Es wäre eine großartige Ergänzung, wenn ich damit auch andere Parameter in meinem benutzerdefinierten Modell anpassen könnte.

Angenommen, ich habe ein benutzerdefiniertes Modell mit einem Convnet und möchte den Schrittwert optimieren. Dieser Pseudocode erklärt, was ich erreichen möchte.

Ich habe eine benutzerdefinierte "params"-Eingabe für die Modellfunktion nur als Beispiel verwendet, um nicht zu implizieren, dass dies unbedingt der richtige Weg ist, um diese Funktion zu implementieren.

# 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)