keras-grid-search-cacheable 1.0.0

Reducción de tiempo de ejecución de los algoritmos de Machine Learning con búsqueda de parámetros en GridSearch.

keras GridSearch Cacheable

Descripción

Cuando está desarrollando un componente en KERAS y Tensorflow y requiere hacer búsqueda de parámetros mediante GridSearch puede ser muy tardado y requerir mucho reproceso al ejecutar su código.

Para dar solución a esto se creó el keras GridSearch Cacheable con el objetivo de extender las funcionalidades de cacheo de SK-Learn a KERAS.

Instalación

En Google Colaboratory:

Ejecute el siguiente fragmento de código

def downloadDriveFile(file_id,file_name,file_extension):
  !wget --load-cookies /tmp/cookies.txt "https://docs.google.com/uc?export=download&confirm=$(wget --quiet --save-cookies /tmp/cookies.txt --keep-session-cookies --no-check-certificate 'https://docs.google.com/uc?export=download&id='$file_id -O- | sed -rn 's/.*confirm=([0-9A-Za-z_]+).*/\1\n/p')&id="$file_id -O "$file_name"."$file_extension" && rm -rf /tmp/cookies.txt

downloadDriveFile("1G9uWCkxwyE-qISaYbXYtnM21wT1kz11X","CacheableKeras","py")
from cacheable_keras.cacheable import KerasCacheable

En General

TODO: Pendiente por agregar a pip

Uso

Extienda la clase en su componente:

from CacheableKeras import KerasCacheable

class YourComponent(BaseEstimator, TransformerMixin, KerasCacheable):
    def __init__(self, ...):

Nota: Este ejemplo es para un TransformerMixin perfectamente puede usarse en RegressorMixin o ClassifierMixin segun sea el objetivo de su componente.

Defina Funciones Personalizadas:

Puede decir las funciones que quiere que su modelo ejecute sobrescribiendo el método get_custom_objects así:

def get_custom_objects(self):
    return { 'custom_loss': self.custom_loss }

Nota: Este método debe retornar un diccionario { ‘function_name’ : self.reference_function } y la reference_function debe estar definida en YourComponent. En caso de necesitar más de una función personalizada agréguela al diccionario.

Personalice la configuración:

keras GridSearch Cacheable trabaja por defecto con TODOS los parámetros de entrada YourComponent. Sin embargo, si por algún motivo no desea cachear todos los parámetros de entrada sobrescriba el método get_params_cacheable así:

def get_params_cacheable(self):
    return ['Parameter 1','Parameter 2',... 'Parameter N'] 

Nota: Tenga en cuidado al realizar esta modificación, si no coloca TODOS los parámetros obligatorios para YourComponent al cargar el modelo creado desde su manejador de cache se retornará un error.

Producto desarrollado bajo el curso de posgrado de aprendizaje de máquina avanzado impartido por el profesor Andrés Marino Álvarez – Universidad Nacional

Daniel Espinosa - 2020