Keras Tuner是否可用于非模型相关超参数的调优？

Keras Tuner 完全支持你提到的三类非模型超参数的调优，核心逻辑是 HyperParameters（简称hp）对象的作用范围覆盖单轮试验（Trial）的完整生命周期，不需要把超参数定义局限在模型构建函数内。

你可以将数据增强逻辑封装为接收hp对象的函数，在每轮试验构建数据集 pipeline 时传入当前试验的hp实例，读取对应超参数即可。示例逻辑如下：

• 首先在流程中定义增强超参数：hp.Float("translation_range", min_value=0.1, max_value=0.3, step=0.05)
• 把读取到的参数传入数据增强逻辑，不管你是将增强逻辑放在tf.data.Dataset.map回调中，还是封装为模型预处理层，都可以直接使用该参数值。

tf.data.Dataset.sample_from_datasets的weights参数同样支持通过hp定义调优：

• 根据你的类别数量定义对应的权重超参数，比如二分类场景可以定义hp.Float("positive_sample_weight", min_value=0.2, max_value=0.8, step=0.1)
• 构造采样权重数组时直接读取该超参数值，传入sample_from_datasets方法即可
• 注意需要把数据集构建逻辑放到单轮试验的执行流程中，你可以通过自定义Tuner的run_trial方法实现，每轮试验都会用当前超参数生成对应的数据 pipeline。

不需要通过回调间接实现，直接在model.fit调用时读取hp中定义的轮数参数即可：

• 定义超参数：hp.Int("train_epochs", min_value=10, max_value=100, step=10)
• 把读取到的参数直接传给model.fit的epochs参数即可完成调优
• 若搭配EarlyStopping回调使用，可以把该参数作为训练轮数上限，避免多余的训练开销。

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