Keras怎么进行超参数调优

在Keras中进行超参数调优可以使用GridSearchCV或RandomizedSearchCV来搜索最佳参数组合。以下是一个示例代码：

from keras.models import Sequential from keras.layers import Dense from keras.wrappers.scikit_learn import KerasClassifier from sklearn.model_selection import GridSearchCV from sklearn.model_selection import RandomizedSearchCV from sklearn.datasets import make_classification  # 创建一个简单的神经网络模型 def create_model(optimizer='adam'):     model = Sequential()     model.add(Dense(units=32, input_dim=20, activation='relu'))     model.add(Dense(units=1, activation='sigmoid'))     model.compile(optimizer=optimizer, loss='binary_crossentropy', metrics=['accuracy'])     return model  # 创建一个KerasClassifier对象 model = KerasClassifier(build_fn=create_model, epochs=10, batch_size=10, verbose=0)  # 定义需要搜索的超参数组合 param_grid = {'optimizer': ['adam', 'sgd', 'rmsprop'],               'batch_size': [10, 20, 30]}  # 使用GridSearchCV进行超参数搜索 grid = GridSearchCV(estimator=model, param_grid=param_grid) grid_result = grid.fit(X_train, y_train)  # 输出最佳参数组合和对应的准确率 print("Best: %f using %s" % (grid_result.best_score_, grid_result.best_params_))  # 使用RandomizedSearchCV进行超参数搜索 random = RandomizedSearchCV(estimator=model, param_distributions=param_grid, n_iter=3) random_result = random.fit(X_train, y_train)  # 输出最佳参数组合和对应的准确率 print("Best: %f using %s" % (random_result.best_score_, random_result.best_params_)) 

在这个示例中，我们首先创建一个简单的神经网络模型，并使用KerasClassifier将其包装成一个可供GridSearchCV或RandomizedSearchCV使用的分类器。然后定义了需要搜索的超参数组合param_grid，并在GridSearchCV和RandomizedSearchCV中进行搜索。最后输出最佳参数组合和对应的准确率。