Tensorflow: Transmettre les paramètres de recherche de grille au modèle personnalisé TensorFlowEstimator

GridSearchCV est un excellent moyen de tester et d'optimiser automatiquement les hyper-paramètres. Je l'utilise avec TensorFlowEstimator pour optimiser learning_rate, batch_size, ...etc. Ce serait un excellent ajout si je pouvais également l'utiliser pour personnaliser d'autres paramètres dans mon modèle personnalisé.

Par exemple, supposons que j'ai un modèle personnalisé avec un convnet et que je souhaite optimiser la valeur de la foulée. Ce pseudo-code explique ce que j'essaie de réaliser.

J'ai utilisé une entrée "params" personnalisée pour la fonction de modèle à titre d'exemple, sans pour autant impliquer que c'est nécessairement la bonne façon d'implémenter cette fonctionnalité.

# 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)