使用 TensorFlow 和 Keras 进行无懈可击的超参数实验

Talos • 主要功能 • 示例 • 安装 • 支持 • 文档 • 问题 • 许可证 • 下载

---

Talos 通过完全自动化的超参数实验和模型评估，显著改进了普通的 TensorFlow (tf.keras) 和 Keras 工作流程。Talos 完全暴露了 TensorFlow (tf.keras) 和 Keras 的功能，无需学习任何新语法或模板。

上面的动画展示了如何将一个最小的顺序（Sequential）模型修改为适用于 Talos 的形式

Talos

简而言之，成千上万的研究人员发现 Talos 能够显著改进普通的 TensorFlow (tf.keras) 和 Keras 工作流程，同时不会削弱或隐藏它们的功能。

• 支持任何 Keras、TensorFlow (tf.keras) 或 PyTorch 模型
• 几分钟内即可实现
• 无需学习新语法
• 不会为您的工作流程增加额外负担
• 自 2019 年以来无重大错误，结果可靠
• 文档全面且保持最新

Talos 专为研究人员、数据科学家和数据工程师设计，他们希望在完全掌控自己的 TensorFlow (tf.keras) 和 Keras 模型的同时，摆脱繁琐的参数调整和令人困惑的优化解决方案，这些方案往往增加了复杂性而非减少它。

---

:wrench: 主要功能

几分钟内，无需学习任何新语法， Talos 让您能够配置、执行和评估超参数实验，从而在广泛的预测任务中获得最先进的结果。Talos 提供了最简单但最强大的 TensorFlow (tf.keras) 和 Keras 超参数优化方法。主要功能包括：

• 单行优化到预测管道 talos.Scan(x, y, model, params).predict(x_test, y_test)
• 自动化超参数优化
• 模型泛化评估器
• 实验分析工具
• 伪随机、准随机和量子随机搜索选项
• 网格搜索
• 概率优化器
• 单文件自定义优化策略
• 在实验过程中动态更改优化策略
• 支持人机协作优化策略
• 模型候选泛化评估
• 实时训练监控
• 实验分析工具

Talos 可在 Linux、Mac OSX 和 Windows 系统上运行，并支持 CPU、GPU 和多 GPU 系统。

---

:arrow_forward: 示例

点击 这里 获取以下代码。更多示例如下。

下面的 Simple 示例足以让您开始在任何 Keras 模型中使用 Talos。Field Report 在 Medium 上获得了超过 4,400 次点赞，因为它更有趣。

Simple [1-2 分钟]

Concise [~5 分钟]

Comprehensive [~10 分钟]

Field Report [~15 分钟]

如需了解更多关于 Talos 如何帮助您的 Keras、TensorFlow (tf.keras) 和 PyTorch 工作流程的信息，请访问 用户手册。

您还可以查看 Talos 超参数调优工作流程 的可视化。

---

:floppy_disk: 安装

稳定版本：

pip install talos

每日开发版本：

pip install git+https://github.com/autonomio/talos

---

:speech_balloon: 如何获取支持

我想...	去...
...排查问题	[文档] · Wiki · [GitHub 问题跟踪器]
...报告错误	[GitHub 问题跟踪器]
...建议新功能	[GitHub 问题跟踪器]
...获取支持	Stack Overflow

---

:loudspeaker: 引用

如果您在已发表的作品中使用了 Talos，请引用：

Autonomio Talos [计算机软件]. (2024). 取自 http://github.com/autonomio/talos.

---

:page_with_curl: 许可证

MIT 许可证

Talos 快速上手指南

Talos 是一个强大的工具，用于自动化 TensorFlow (tf.keras) 和 Keras 的超参数优化和模型评估。它无需学习新语法，完全兼容现有的工作流。

---

环境准备

系统要求

• 支持的操作系统：Linux、Mac OSX、Windows
• 支持的硬件：CPU、GPU、多 GPU 系统

前置依赖

• Python 3.6 或更高版本
• 已安装 TensorFlow 或 Keras 模型环境

---

安装步骤

稳定版安装

运行以下命令以安装最新稳定版本：

pip install talos

开发版安装

如果需要使用最新的开发版本，可以通过以下命令安装：

pip install git+https://github.com/autonomio/talos

提示：如果在中国大陆地区，建议使用国内镜像源加速安装，例如：

pip install talos -i https://pypi.tuna.tsinghua.edu.cn/simple

---

基本使用

以下是一个最简单的使用示例，展示如何将 Talos 集成到现有的 Keras 模型中。

示例代码

import talos
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# 定义模型
def create_model(x_train, y_train, x_val, y_val, params):
    model = Sequential()
    model.add(Dense(params['units'], input_dim=x_train.shape[1], activation='relu'))
    model.add(Dense(1, activation='sigmoid'))
    model.compile(optimizer=params['optimizer'], loss='binary_crossentropy', metrics=['accuracy'])
    history = model.fit(x_train, y_train, validation_data=(x_val, y_val), epochs=params['epochs'], batch_size=params['batch_size'], verbose=0)
    return history, model

# 定义超参数搜索空间
p = {
    'units': [16, 32, 64],
    'optimizer': ['adam', 'sgd'],
    'epochs': [10, 20],
    'batch_size': [32, 64]
}

# 执行超参数优化
scan_object = talos.Scan(x=x_train, y=y_train, model=create_model, params=p, experiment_name='talos_example')

# 使用优化结果进行预测
predict_object = scan_object.predict(x_test, y_test)

运行说明

1. 将 x_train, y_train, x_test, y_test 替换为实际的数据集。
2. 根据需求调整超参数搜索空间 p。
3. 运行脚本后，Talos 会自动执行超参数优化并输出最佳模型。

---

以上是 Talos 的快速上手指南，更多高级功能和详细文档请参考 官方文档。