其思想是使用同一个训练数据集训练多个模型,每次都改变一些参数,以查看哪个参数效果最好。为了做到这一点,我需要每一个模型从零开始训练每一次。你知道吗
我目前的代码(简体)是:
scores= []
for i in range(n):
model = Sequential()
model.add(...)
model.compile(...)
model.fit(...)
scores.append([i, model.score(...)])
for score in scores:
print(score)
它按预期运行打印:
[0, 0.89712456798]
[1, 0.76652347349]
[2, 0.83178943210]
...
但是如果代码实现了上面描述的功能,或者相反地,训练依赖于前一个模型的模型,我就不能理解了。你知道吗
你的密码很好。它每次创建一个新模型。你知道吗
但我建议在普拉尔训练多个模型。我刚刚发现了RayLib,它非常适合这个任务。你知道吗
https://ray.readthedocs.io/en/latest/auto_examples/plot_hyperparameter.html
您的代码包含4个并行训练课程,每个课程有5个迭代:
您可以将超参数作为训练函数的输入,并快速测试不同的体系结构。 RayLib需要Ubuntu-tho。你知道吗
每次你打电话
您的模型被重新初始化,因此上面的代码草图确实执行了您希望它执行的操作,即为每个循环迭代从头开始装配一个新模型。你知道吗
相关问题 更多 >
编程相关推荐