在需要经常进行调参的情况下，可以使用 Training Flags 来快速变换参数，比起直接修改模型参数来得快而且不易出错。

https://tensorflow.rstudio.com/tools/training_flags.html

使用 flags()

library(keras)

FLAGS <- flags(
  flag_integer("dense_units1", 128),
  flag_numeric("dropout1", 0.4),
  flag_integer("dense_units2", 128),
  flag_numeric("dropout2", 0.3),
  flag_integer("epochs", 30),
  flag_integer("batch_size", 128),
  flag_numeric("learning_rate", 0.001)
)

input <- layer_input(shape = c(784))
predictions <- input %>% 
  layer_dense(units = FLAGS$dense_units1, activation = \'relu\') %>%
  layer_dropout(rate = FLAGS$dropout1) %>%
  layer_dense(units = FLAGS$dense_units2, activation = \'relu\') %>%
  layer_dropout(rate = FLAGS$dropout2) %>%
  layer_dense(units = 10, activation = \'softmax\')

model <- keras_model(input, predictions) %>% compile(
  loss = \'categorical_crossentropy\',
  optimizer = optimizer_rmsprop(lr = FLAGS$learning_rate),
  metrics = c(\'accuracy\')
)

history <- model %>% fit(
  x_train, y_train,
  batch_size = FLAGS$batch_size,
  epochs = FLAGS$epochs,
  verbose = 1,
  validation_split = 0.2
)

flags()是 keras 库的函数，不是R语言本身的函数。

使用YAML文件

flags()可以搭配YAML文件使用。按照官方教程，以为是把参数定义在YAML文件里，然后使用flags(file="flags.yml")直接读入。但是发现这样行不通，flags(file="flags.yml")得到的是一个空list。后来发现可能得这样使用才是正确的：

FLAGS <- flags(file = "flags.yml",
  flag_integer("dense_units1", 128,  "Dense units in first layer"),
  flag_numeric("dropout1",     0.4,  "Dropout after first layer"),
  flag_integer("epochs",        30,  "Number of epochs to train for")
)

flags.yml 中的参数优先，会覆盖掉flags()里的定义，也就是说，如果 flags.yml 里面是这样定义的：

dense_units1: 256
dropout1: 0.4
epochs: 30

那么，dense_units1这个参数的值是 256，而不是 128。

下面这种用法不正确，

FLAGS <- flags(file = "flags.yml",
)

会得到一个空list。可以认为，flags.yml其实是用来覆盖或者说修改flags()里面已有的参数定义。