Tensorflow: Lewati parameter pencarian grid ke model kustom TensorFlowEstimator

GridSearchCV adalah cara yang bagus untuk menguji dan mengoptimalkan parameter hiper secara otomatis. Saya menggunakannya dengan TensorFlowEstimator untuk mengoptimalkan learning_rate, batch_size, ...etc. Ini akan menjadi tambahan yang bagus jika saya juga dapat menggunakannya untuk menyesuaikan parameter lain dalam model kustom saya.

Misalnya, saya memiliki model khusus dengan convnet dan saya ingin mengoptimalkan nilai langkahnya. Kode semu ini menjelaskan apa yang saya coba capai.

Saya menggunakan input "params" khusus ke fungsi model hanya sebagai contoh, bukan untuk menyiratkan bahwa ini adalah cara yang tepat untuk mengimplementasikan fitur ini.

# 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)