Не могу использовать промежуточную функцию в гиперах

Question

Я пытаюсь использовать Hyperas для оптимизации моей модели Keras, но я продолжаю получать NameError: processing (function_name) is not defined. Я уже посмотрел на этот и этот пример из гипера и сделал именно это. Кажется, это не работает для меня.

Это мой код:

def processing():
    df = pd.read_json('balanced_all.json')

    def label (df):
        if df['rating'] < 3:
            return 0
        if df['rating'] > 3:
            return 1

    df['label'] = df.apply (lambda df: label(df), axis=1)

    df = df[['review_text', 'label']]

    maxlen = 100
    max_words = 2000

    tokenizer = Tokenizer(num_words=max_words)
    tokenizer.fit_on_texts(df['review_text'].values)
    sequences = tokenizer.texts_to_sequences(df['review_text'].values)
    word_index = tokenizer.word_index


    sequences = pad_sequences(sequences, maxlen=maxlen)
    labels = pd.get_dummies(df['label']).values

    glove_dir = '/home/uttam/Documents/Thesis/Glove'
    embeddings_index = {}
    f = open(os.path.join(glove_dir, 'glove.6B.100d.txt'), 'r', encoding='utf-8')
    for line in f:
        values = line.split()
        word = values[0]
        coefs = np.asarray(values[1:], dtype='float32')
        embeddings_index[word] = coefs
    f.close()

    embedding_dim = 100


    embedding_matrix = np.zeros((max_words, embedding_dim))
    for word, i in word_index.items():
        if i < max_words:
            embedding_vector = embeddings_index.get(word)
            if embedding_vector is not None:
                embedding_matrix[i] = embedding_vector

    return sequences, labels, embedding_matrix



def data():
    sequences = processing()[0]
    labels = processing()[1]
    x_train, x_test, y_train, y_test = train_test_split(sequences,labels, test_size = 0.33, random_state = 42)
    return x_train, y_train, x_test, y_test



def create_model(x_train, y_train, x_test, y_test):
    embedding_dim = 100
    max_words = 2000
    embedding_matrix = processing()[2]


    model = Sequential()
    model.add(Embedding(max_words, embedding_dim, input_length=100))
    model.add(LSTM(128))
    model.add(Dropout({{uniform(0, 1)}}))
    model.add(Dense(2, activation='sigmoid'))

    model.layers[0].set_weights([embedding_matrix])
    model.layers[0].trainable = False


    model.compile(optimizer={{choice(['rmsprop', 'adam', 'sgd'])}}, loss='binary_crossentropy',metrics=['acc'])
    result = model.fit(x_train, y_train, epochs=20, batch_size={{choice([64, 128])}}, validation_split=0.2)
    model.save('pre_trained_glove_model.h5')


    validation_acc = np.amax(result.history['val_acc'])
    print('Best validation acc of epoch:', validation_acc)
    return {'loss': -validation_acc, 'status': STATUS_OK, 'model': model}


if __name__ == '__main__':
    best_run, best_model = optim.minimize(model=create_model,
                                          data=data,
                                          algo=tpe.suggest,
                                          max_evals=5,
                                          trials=Trials())
    x_train, y_train, x_test, y_test = data()
    print("Evalutation of best performing model:")
    print(best_model.evaluate(x_test, y_test))
    print("Best performing model chosen hyper-parameters:")
    print(best_run)

Мне даже не нужна промежуточная функция, мне пришлось ее создавать, потому что гиперы не нашли глобальную переменную. например, если у меня была переменная x вне функции Hyperas говорят create_model()Было бы сказать NameError: x is not defined

Я нуждаюсь в этом, потому что, как вы видите, я использую предварительно натренированные перчатки. Я не могу положить все в data() или же create_model(), Например, data()нужна переменная sequences а также label а также create_model нужна переменная embedding_matrixТаким образом, нет никакого способа (насколько я знаю) разделить все на две функции.

Единственный способ, которым это сработало для меня - это положить все в data() а также create_model() функции, которые, безусловно, не эффективны и не способ сделать.

Answer 1

Немного поздно, но для дальнейшего использования, вы правы hyperas не распознает глобальные переменные Вы можете передать функцию в списке функций в minimize:

best_run, best_model = optim.minimize(model=create_model,
                                      data=data,
                                      functions=[processing], # <<
                                      algo=tpe.suggest,
                                      max_evals=5,
                                      trials=Trials())

Как вы упомянули, если вам нужно передать глобальную переменную в hyperas, Вы можете выбрать один из этих вариантов:

С помощью data():

def data():
    ## ... my  code ...
    return x_train, y_train, x_test, y_test, foo

def create_model(x_train, y_train, x_test, y_test, foo):

или определения новой функции и передачи ее в список функций:

def my_funct():
    return foo

def data():
   return x_train, y_train, x_test, y_test

def create_model(x_train, y_train, x_test, y_test):
    foo = my_funct()

best_run, best_model = optim.minimize(model=create_model,
                                      data=data,
                                      functions=[my_funct], # << foo
                                      algo=tpe.suggest,
                                      max_evals=5,
                                      trials=Trials())