如何控制Keras Tuner Hyperband的模型数量与训练轮次？

一、控制运行的模型数量 #

Hyperband没有max_trials和execution_per_trial这类直接参数，它靠算法逻辑动态筛选模型，你可以通过以下方式间接控制总模型数：

• max_epochs + factor：Hyperband的核心逻辑是多轮淘汰：先批量训练模型，每轮淘汰factor比例的低性能模型，留下的模型继续训练更久。max_epochs是最终存活模型的最大训练轮次，factor是每轮淘汰比例（默认3）。总模型数大致由max_epochs * log_factor(max_epochs)决定，调小这两个参数能减少总模型数量。
• hyperband_iterations：指定Hyperband算法重复运行的次数（默认1）。减少这个值可以直接降低总模型数，比如设为0.5只会运行半轮筛选逻辑。
• 模拟execution_per_trial：如果需要同一超参数组合多次训练取平均，可以在模型构建函数里手动循环训练，比如：

  def build_model(hp):
      model = Sequential(...)
      model.compile(...)
      # 同一超参数训练3次取平均
      val_accs = []
      for _ in range(3):
          history = model.fit(...)
          val_accs.append(history.history['val_accuracy'][-1])
      # 返回平均精度作为评估指标
      return np.mean(val_accs)
  

二、训练轮次的生效逻辑 #

Hyperband的max_epochs和tuner.search()的epochs是配合生效的：

• max_epochs：定义最终存活到最后一轮的模型，能训练的最大轮次，是Hyperband淘汰流程的目标轮次。
• search(epochs=X)：是所有训练的绝对上限。如果Hyperband流程中某阶段需要训练的轮次超过X，实际只会训练X轮就停止；如果X≥max_epochs，Hyperband会正常走完淘汰流程，最终模型训练到max_epochs轮。

正确用法示例 #

比如你希望最优模型最多训练50轮，那么初始化时设max_epochs=50，search()里的epochs设为不小于50的值（比如60），让Hyperband的淘汰逻辑主导训练时长：

tuner = Hyperband(
    build_model,
    objective='val_accuracy',
    max_epochs=50,
    factor=3,
    directory='tuner_dir',
    project_name='hyperband_demo'
)

# epochs设为比max_epochs大的值，保证Hyperband流程不被截断
tuner.search(x_train, y_train, epochs=60, validation_data=(x_val, y_val))

如果search(epochs=30)且max_epochs=50，那么所有模型的训练轮次都不会超过30，Hyperband的淘汰流程会被提前截断。

内容的提问来源于stack exchange，提问作者Jegatheesan