Python TensorFlow优化器中的“获取超”和“设置超”是什么？

我在优化器的

\uuuuu init\uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu。代码中还有
\u get\u hyper
和
\u serialize\u hyperparameter
。我在优化器中没有看到这些-它们是可选的吗？在创建自定义优化器时，什么时候应该或不应该使用它们？
它们启用设置和获取Python文本（
int
、
str
等）、可调用和张量。用法是为了方便和一致性：通过
\u set\u hyper
设置的任何内容都可以通过
\u get\u hyper
检索，避免重复样板代码。我已经在所有主要的TF和Keras版本中实现了它，并将其用作参考


是一个
tf.变量
。每次“设置”它时，我们都必须调用
K.set_value
；如果我们执行self.t\u cur=5

，这将破坏

tf.Variable

，并破坏优化器的功能。相反，如果我们使用

model.optimizer.\u set\u hyper（'t\u cur'，5）

，它会正确地设置它-但这需要通过

set\u hyper

定义它

\u get\u hyper

和

\u set\u hyper

都支持对属性进行编程处理-例如，我们可以使用属性名称列表创建for循环，以便仅使用

\u get\u hyper

和

\u set\u hyper

来获取或设置，否则我们需要编写条件和类型检查代码。另外，

\u get\u hyper（name）

要求先前通过

set\u hyper

设置了

name

\u get\u hyper

通过

dtype=

启用类型转换。例如：

beta\u 1\u t

默认情况下，Adam被转换为与

var

相同的数值类型（例如层重），这是某些操作所必需的。这也是一种方便，因为我们可以手动输入（

math\u ops.cast

）

\u set\u hyper

支持使用，它检索可调用项、张量或已存在的Python值的Python值（

int

、

float

等）。该名称源于需要将张量和可调用项转换为Pythonics，例如pickle或json序列化，但可以方便地在图形执行中查看张量值

最后,；通过

\u set\u hyper

实例化的所有内容都将分配给

优化器。\u hyper

字典，然后在中进行迭代。循环中的

else

将所有Python数值转换为张量-因此

\u set\u hyper

不会创建

int

、

float

等属性。值得注意的是kwarg，其文档内容为：“指示如何聚合分布式变量”。这一部分比“为了方便”（大量代码需要复制）稍微多一些

• \u set\u hyper

  有一个限制：不允许实例化

  dtype

  。如果需要使用dtype使用

  \u create\u hypers

  中的方法，则应直接调用它

何时使用与不使用：如果优化器通过TensorFlow ops使用属性，则使用-即，如果它需要是

tf.变量

。例如，它是定期设置的，因为它永远不需要作为张量变量