Tensorflow Google Cloud ML，扩展上次运行的超参数调优

我正在使用Google Cloud ML运行超参数调优。我想知道是否可能从以前的运行中获益（可能是部分）

其中一项申请是：

我启动了一个超参数调优工作

我停止它是因为我想更改我正在使用的群集的类型

我想在新集群上重新启动hypertune作业，但我想从以前的运行中获益，我已经为此付费了 或其他应用程序：

我启动了一个超音频露营

我想延长以后的审判次数，而不是从头开始

然后举个例子，我想去掉一个自由度（例如，训练率），把重点放在其他参数上

基本上，我需要的是“如何为超音频设置检查点？”

---

谢谢

> P>是的，这是一个有趣的工作流——它不可能与当前API集完全一致，因此它是我们未来规划中需要考虑的问题。 然而，我想知道现在是否有一些变通方法可以帮助您接近预期的工作流程

从更高的试用次数开始-假设您可以取消作业，但不能延长作业

根据一些外部输入提前完成培训工作-例如，一旦你达到了固定的培训率，你可以将其记录在GCS的文件中，并将具有不同培训率的后续试验标记为不可行，以便这些试验快速结束

更进一步，例如，启动另一个作业（添加运行或更改缩放层），您可以尝试使用相同的输出目录，这一次使用目标度量查找给定超参数集的以前结果（您需要将它们记录在可以查找它们的某处，例如，创建gcs文件以跟踪试运行），因此，特定的试验提前完成，培训继续进行下一次试验。本质上是滚动您自己的“超音频检查点”

---

正如我所提到的，所有这些都是解决方案，以及对从当前的能力到现在的能力的探索性思考。

< P>是的，这是一个有趣的工作流程——它不可能与当前的API集相结合，因此这是我们未来规划中需要考虑的问题。 然而，我想知道现在是否有一些变通方法可以帮助您接近预期的工作流程

从更高的试用次数开始-假设您可以取消作业，但不能延长作业

根据一些外部输入提前完成培训工作-例如，一旦你达到了固定的培训率，你可以将其记录在GCS的文件中，并将具有不同培训率的后续试验标记为不可行，以便这些试验快速结束

更进一步，例如，启动另一个作业（添加运行或更改缩放层），您可以尝试使用相同的输出目录，这一次使用目标度量查找给定超参数集的以前结果（您需要将它们记录在可以查找它们的某处，例如，创建gcs文件以跟踪试运行），因此，特定的试验提前完成，培训继续进行下一次试验。本质上是滚动您自己的“超音频检查点”

---

正如我所提到的，所有这些都是变通办法，以及探索性的想法，即在当前能力的情况下，从您的终端可能会做些什么。

谢谢您的回答，我将尝试调整：-）谢谢您的回答，我将尝试调整：-）