HyperModelの定義

Keras Tunerは、Kerasモデルにおけるハイパーパラメータのチューニングを自動化するためのライブラリであり、その中心的なコンポーネントの一つが**HyperModel**です。

1. HyperModelとは何か

HyperModelは、ハイパーパラメータを含むモデル構造を定義するための抽象クラスです。これを使って、モデル構造・コンパイル・トレーニングの設定を一括して記述することで、Keras Tunerがその構造内のハイパーパラメータを自動で探索できるようになります。

Keras Tunerには以下のような方法でHyperModelを利用できます：

• HyperModelクラスを継承して自分で定義する方法

• hypermodel引数に関数を渡す方法（関数API）

ここでは、主にクラスベースの方法について詳述します。

---

2. HyperModel クラスの実装方法

基本構造

python
from kerastuner import HyperModel
from tensorflow import keras
from tensorflow.keras import layers

class MyHyperModel(HyperModel):
    def build(self, hp):
        model = keras.Sequential()
        model.add(layers.Flatten(input_shape=(28, 28)))

        # ユニット数のハイパーパラメータ
        model.add(layers.Dense(
            units=hp.Int('units', min_value=32, max_value=512, step=32),
            activation='relu'))

        model.add(layers.Dense(10, activation='softmax'))

        # 学習率のハイパーパラメータ
        model.compile(
            optimizer=keras.optimizers.Adam(
                hp.Float('learning_rate', min_value=1e-4, max_value=1e-2, sampling='LOG')),
            loss='sparse_categorical_crossentropy',
            metrics=['accuracy'])
        
        return model

---

3. ハイパーパラメータの定義方法

hpオブジェクト（HyperParametersのインスタンス）を使って、様々なハイパーパラメータを定義できます：

---

4. HyperModelを使ったTunerの実行例

python
from kerastuner.tuners import RandomSearch

hypermodel = MyHyperModel()

tuner = RandomSearch(
    hypermodel,
    objective='val_accuracy',
    max_trials=10,
    executions_per_trial=1,
    directory='my_dir',
    project_name='intro_to_kt')

tuner.search(x_train, y_train,
             epochs=5,
             validation_data=(x_val, y_val))

---

5. なぜHyperModelを使うのか

• モデル構造とハイパーパラメータ探索空間を明確に分離できる

• 再利用可能な構造で、他のTuner（BayesianOptimization, Hyperbandなど）でも使いまわせる

• Tunerのパラメータと独立して、モデル定義だけに集中できる

---

6. まとめ

• HyperModelは、Keras Tunerのハイパーパラメータ最適化におけるモデル定義のためのクラス

• build(hp) メソッド内で、ハイパーパラメータとモデル構造を記述する

• 独自のチューニング対象モデルを柔軟に設計・再利用できるメリットがある

必要に応じて、fit()メソッドもオーバーライドすることで、データ前処理や学習ループのカスタマイズも可能です。