我有几个强化学习算法的实现。所有的实现都使用tensorflow 2，自定义的训练循环使用 tf.GradientTape 裹着 tf.function . 每个代理都有一组5-10个超参数+优化器超参数（学习率、ε、β1、β2等）。所以可以说，平均而言，我一次至少要调整9个超参数。下面是一个使用a2c代理类的示例：

hparams = {
    'learning_rate': 3e-4,
    'epsilon': 1e-5,
    'beta_1': 0.9,
    'beta_2': 0.99,
    'entropy_coefficient': 0.01,
    'value_loss_coefficient': 0.5,
    'clip_norm': 0.5,
    'n_steps': 5,
}
agent = A2C(**hparams)

典型的列车步进法如下所示：

@tf.function
def train_step(self):
    batch = states, actions, rewards, dones = self.get_batch()
    with tf.GradientTape() as tape:
        model_outputs = self.model(states)
        loss = self.calculate_loss(batch, model_outputs)
    self.model.optimizer.minimize(loss, self.model.trainable_variables, tape=tape)

我检查了hparams api和keras tuner，它们只有在我使用函数api进行培训时才兼容 tf.keras.Model.fit() 但事实并非如此。通过查看tensorflow文档，我没有发现任何有用的信息。
问题是
哪种调优api可用于内部的自定义tensorflow循环 tf.function 没有典型的不兼容错误 failed to convert object <incompatible tuner object> to tensor ... ?
如果有，在我提供的示例中使用它的最小演示是什么，每个示例都有10个实验值？