Tensorflow: TensorFlowEstimator कस्टम मॉडल में ग्रिड खोज पैरामीटर पास करें

GridSearchCV स्वचालित रूप से हाइपर-पैरामीटर का परीक्षण और अनुकूलन करने का एक शानदार तरीका है। मैं इसका उपयोग TensorFlowEstimator के साथ Learning_rate,batch_size, ...आदि को ऑप्टिमाइज़ करने के लिए करता हूँ। यह एक बढ़िया अतिरिक्त होगा यदि मैं इसका उपयोग अपने कस्टम मॉडल में अन्य मापदंडों को अनुकूलित करने के लिए भी कर सकता हूं।

उदाहरण के लिए, मान लें कि मेरे पास एक कन्वनेट के साथ एक कस्टम मॉडल है और मैं स्ट्राइड वैल्यू को ऑप्टिमाइज़ करना चाहता हूं। यह छद्म कोड बताता है कि मैं क्या हासिल करने की कोशिश कर रहा हूं।

मैंने एक उदाहरण के रूप में मॉडल फ़ंक्शन के लिए एक कस्टम "पैरा" इनपुट का उपयोग किया, इसका मतलब यह नहीं है कि यह इस सुविधा को लागू करने का सही तरीका है।

# 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)