Deep learning 使用带有自定义丢失函数的tensorboard.plugins.hparams api进行超参数调优

我正在用自己定制的损失函数（相当长且复杂）构建一个神经网络。我的网络是无监督的，因此我的输入和预期输出是相同的，而且目前我使用的是一个输入（只是尝试优化单个输入的损耗）

我正在尝试使用tensorboard.plugins.hparams api进行超参数调优，但不知道如何在那里合并我的自定义丢失函数。我正试图遵循Tensorflow 2.0上建议的代码

这是该网站的建议：

HP\u NUM\u UNITS=HP.HParam（'NUM\u UNITS'，HP.Discrete（[16,32]））
HP_DROPOUT=HP.HParam（'DROPOUT'，HP.RealInterval（0.1,0.2））
HP_OPTIMIZER=HP.HParam（'OPTIMIZER'，HP.Discrete（['adam'，'sgd']））
公制精度=‘精度’
使用tf.summary.create_file_writer（'logs/hparam_tuning'）。作为_default（）：
hp.hparams\u配置(
hparams=[HP\u NUM\u单位，HP\u辍学，HP\u优化器]，
metrics=[hp.Metric（Metric\u accurity，display\u name='accurity'），
)

我需要改变这一点，因为我不想使用辍学层，所以我可以删除它。在度量精度方面，我不想使用精度，因为它在我的模型中没有用处，而是使用我的自定义损失函数。如果我使用常规贴合模型，它将如下所示：

model.compile（优化器=adam，loss=dl\u tf\u loss，metrics=[dl\u tf\u loss]）

因此，我尝试将建议的代码更改为以下代码，但我遇到了一个错误，我想知道应该如何更改它，以满足我的需要。以下是我尝试过的：

HP\u NUM\u UNITS=HP.HParam（'NUM\u UNITS'，HP.Discrete（[16,32]））
HP_OPTIMIZER=HP.HParam（'OPTIMIZER'，HP.Discrete（['adam'，'sgd']））
#公制损耗=dl\U tf\U损耗
使用tf.summary.create_file_writer（'logs/hparam_tuning'）。作为_default（）：
hp.hparams\u config（hparams=[hp\u NUM\u单位，hp\u优化器]，度量=
[hp.Metric（dl_tf_loss，display_name='loss'））

它给了我以下错误：

---------------------------------------------------------------------------
TypeError回溯（最近一次调用上次）
在（）
5.
6使用tf.summary.create_file_writer（'logs/hparam_tuning'）。作为_default（）：
---->7 hp.hparams\u config（hparams=[hp\u NUM\u UNITS，hp\u OPTIMIZER]，metrics=[hp.Metric（dl\u tf\u loss，display\u name='loss'））
8.
3帧
/hparams\u配置中的usr/local/lib/python3.6/dist-packages/tensorboard/plugins/hparams/summary\u v2.py（hparams，metrics，time\u created\u secs）
127 hparams=hparams，
128个指标=指标，
-->129创建的时间=创建的时间，
130   )
131返回写入摘要（“hparams\u config”，pb）
/hparams\u config\u pb中的usr/local/lib/python3.6/dist-packages/tensorboard/plugins/hparams/summary\u v2.py（hparams，metrics，time\u created\u secs）
161域。更新参数信息（info）
162 hparam_信息附加（信息）
-->163 metric_infos=[metric.as_proto（）表示度量中的度量]
164实验=api_pb2.1实验(
165 hparam_infos=hparam_infos，
/usr/local/lib/python3.6/dist-packages/tensorboard/plugins/hparams/summary_v2.py in（.0）
161域。更新参数信息（info）
162 hparam_信息附加（信息）
-->163 metric_infos=[metric.as_proto（）表示度量中的度量]
164实验=api_pb2.1实验(
165 hparam_infos=hparam_infos，
/as_proto（self）中的usr/local/lib/python3.6/dist-packages/tensorboard/plugins/hparams/summary_v2.py
532 name=api_pb2.MetricName(
533组=自组，
-->534标记=自身。\u标记，
535         ),
536 display\u name=self.\u display\u name，
TypeError:具有类型函数，但应为：字节，unicode

我还尝试运行以下代码：

使用tf.summary.create_file_writer（'logs/hparam_tuning'）。作为_default（）：
hp.hparams\u config（hparams=[hp\u NUM\u单位，hp\u优化器]，度量=
[dl_tf_损失]）

但出现以下错误：

AttributeError回溯（最近一次调用）
在（）
8.
9使用tf.summary.create_file_writer（'logs/hparam_tuning'）。作为_default（）：
--->10 hp.hparams\u config（hparams=[hp\u NUM\u UNITS，hp\u OPTIMIZER]，metrics=[dl\u tf\u loss]）
2帧
/usr/local/lib/python3.6/dist-packages/tensorboard/plugins/hparams/summary_v2.py in（.0）
161域。更新参数信息（info）
162 hparam_信息附加（信息）
-->163 metric_infos=[metric.as_proto（）表示度量中的度量]
164实验=api_pb2.1实验(
165 hparam_infos=hparam_infos，
AttributeError:“Function”对象没有“as_proto”属性

非常感谢您的帮助。 提前谢谢！

我想出来了

我改为METRIC_LOSS的最初METRIC_精度显然只是名称，我需要将“tf_dl_LOSS”写成字符串，而不是函数

在调优的后续部分中，我需要编写fit命令，在那里我插入了实际损耗函数，正如我在常规fit函数示例中所示

---

强烈建议将此作为调整超参数的一种方法。

您可能对此感兴趣。在度量中使用

dl\u tf\u loss

编译模型将浪费时间。可以使用

group

参数让

hp.metric

了解不同目录中的其他记录摘要。

无需担心，图我把它弄出来了。