Tensorflow: Передать параметры поиска сетки в пользовательскую модель TensorFlowEstimator

GridSearchCV — отличный способ автоматически тестировать и оптимизировать гиперпараметры. Я использую его с TensorFlowEstimator для оптимизации learning_rate, batch_size и т. д. Было бы отличным дополнением, если бы я мог также использовать его для настройки других параметров в моей пользовательской модели.

Например, предположим, что у меня есть пользовательская модель с коннетом, и я хочу оптимизировать значение шага. Этот псевдокод объясняет, чего я пытаюсь достичь.

Я использовал пользовательский ввод «params» для функции модели просто в качестве примера, чтобы не подразумевать, что это обязательно правильный способ реализации этой функции.

# 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)