Python 如何使用Keras TensorBoard回调进行网格搜索

我正在使用Keras张力板回调。 我想运行网格搜索，并在tensor board中可视化每个模型的结果。 问题是，不同运行的所有结果都合并在一起，损失图是一团混乱，如下所示：

如何重命名每个跑步，使其具有类似于以下内容：

以下是网格搜索的代码：

df = pd.read_csv('data/prepared_example.csv')

df = time_series.create_index(df, datetime_index='DATE', other_index_list=['ITEM', 'AREA'])

target = ['D']
attributes = ['S', 'C', 'D-10','D-9', 'D-8', 'D-7', 'D-6', 'D-5', 'D-4',
       'D-3', 'D-2', 'D-1']

input_dim = len(attributes)
output_dim = len(target)

x = df[attributes]
y = df[target]

param_grid = {'epochs': [10, 20, 50],
              'batch_size': [10],
              'neurons': [[10, 10, 10]],
              'dropout': [[0.0, 0.0], [0.2, 0.2]],
              'lr': [0.1]}

estimator = KerasRegressor(build_fn=create_3_layers_model,
                           input_dim=input_dim, output_dim=output_dim)


tbCallBack = TensorBoard(log_dir='./Graph', histogram_freq=0, write_graph=True, write_images=False)

grid = GridSearchCV(estimator=estimator, param_grid=param_grid, n_jobs=-1, scoring=bug_fix_score,
                            cv=3, verbose=0, fit_params={'callbacks': [tbCallBack]})

grid_result = grid.fit(x.as_matrix(), y.as_matrix())

---

我认为没有任何方法可以将“每次运行”参数传递给

GridSearchCV

。也许最简单的方法是将

KerasRegressor

子类化，以执行您想要的操作

class KerasRegressorTB(KerasRegressor):

    def __init__(self, *args, **kwargs):
        super(KerasRegressorTB, self).__init__(*args, **kwargs)

    def fit(self, x, y, log_dir=None, **kwargs):
        cbs = None
        if log_dir is not None:
            params = self.get_params()
            conf = ",".join("{}={}".format(k, params[k])
                            for k in sorted(params))
            conf_dir = os.path.join(log_dir, conf)
            cbs = [TensorBoard(log_dir=conf_dir, histogram_freq=0,
                               write_graph=True, write_images=False)]
        super(KerasRegressorTB, self).fit(x, y, callbacks=cbs, **kwargs)

你会像这样使用它：

# ...

estimator = KerasRegressorTB(build_fn=create_3_layers_model,
                             input_dim=input_dim, output_dim=output_dim)

#...

grid = GridSearchCV(estimator=estimator, param_grid=param_grid,
n_jobs=1, scoring=bug_fix_score,
                  cv=2, verbose=0, fit_params={'log_dir': './Graph'})

grid_result = grid.fit(x.as_matrix(), y.as_matrix())

更新：

由于

GridSearchCV

由于交叉验证而多次运行同一模型（即相同的参数配置），因此前面的代码将在每次运行中放置多个跟踪。查看源代码（和），似乎没有检索“当前拆分id”的方法。同时，您不应该只检查现有文件夹并根据需要添加子像素，因为作业（至少可能是并行运行的，尽管我不确定Keras/TF是否是这样）。您可以尝试以下方法：

import itertools
import os

class KerasRegressorTB(KerasRegressor):

    def __init__(self, *args, **kwargs):
        super(KerasRegressorTB, self).__init__(*args, **kwargs)

    def fit(self, x, y, log_dir=None, **kwargs):
        cbs = None
        if log_dir is not None:
            # Make sure the base log directory exists
            try:
                os.makedirs(log_dir)
            except OSError:
                pass
            params = self.get_params()
            conf = ",".join("{}={}".format(k, params[k])
                            for k in sorted(params))
            conf_dir_base = os.path.join(log_dir, conf)
            # Find a new directory to place the logs
            for i in itertools.count():
                try:
                    conf_dir = "{}_split-{}".format(conf_dir_base, i)
                    os.makedirs(conf_dir)
                    break
                except OSError:
                    pass
            cbs = [TensorBoard(log_dir=conf_dir, histogram_freq=0,
                               write_graph=True, write_images=False)]
        super(KerasRegressorTB, self).fit(x, y, callbacks=cbs, **kwargs)

我使用<代码> OS >代码>调用Python 2兼容，但是如果使用Python 3，则可以考虑路径和目录处理更好。

---

注意：我忘了在前面提到它，但为了以防万一，请注意传递

write\u graph=True

将记录每次运行的一个图，这取决于您的模型，可能意味着这个空间的很大一部分（相对而言）。这同样适用于

write_images

，尽管我不知道该功能需要多少空间。

很简单，只需将日志保存到单独的目录中，并使用串联参数字符串作为目录名称：

以下是使用日期作为运行名称的示例：

from datetime import datetime

datetime_str = ('{date:%Y-%m-%d-%H:%M:%S}'.format(date=datetime.now()))
callbacks = [
    ModelCheckpoint(model_filepath, monitor='val_loss', save_best_only=True, verbose=0),
    TensorBoard(log_dir='./logs/'+datetime_str, histogram_freq=0, write_graph=True, write_images=True),
]

history = model.fit_generator(
    generator=generator.batch_generator(is_train=True),
    epochs=config.N_EPOCHS,
    steps_per_epoch=100,
    validation_data=generator.batch_generator(is_train=False),
    validation_steps=10,
    verbose=1,
    shuffle=False,
    callbacks=callbacks)

---

谢谢你的详细建议。今天晚些时候我会试试，我会告诉你的。只需考虑一个问题：此解决方案是否会创建多个文件夹？在这种情况下，我是否能够在一个tensorboard中显示所有的运行，或者我必须运行它的多个实例？@paolof89是的，它确实会为每个实验创建一个目录，但事实上，您在tensorboard中看到的“运行”实际上只是包含日志信息的子文件夹。如果您在日志的根目录中打开TensorBoard（在示例

/Graph

），您将看到每个实验都有一个“运行”，所有这些都在一起，或者您可以在特定运行的目录中打开TensorBoard进行更仔细的查看。我测试了它，它可以工作，但还有最后一个问题。GridSearchCV实现了k折叠技术，因此在每个文件夹中都可以找到k图。最小k倍值是2，所以我的问题还没有解决。有什么想法吗？我会在keras github上发布一个问题，以防一些用户有同样的问题issue@paolof89我已经用可能的解决方案更新了答案。也可以使用

datetime\u str=datetime.now（）.strftime（“%Y-%m-%d-%H-%m-%S”）

。基于：，可以自定义自己的时间字符串。