我一直在使用一个名为 Hyperas 的 Python 库,它是一个 hyperopt/keras 包装器,用于调整 Keras 模型中的参数。我的问题是关于 Hyperas 的输出。
我已阅读文档和源代码,但似乎无法弄清楚输出的含义或如何解释。完成优化后,它会打印以下行:
{'batch_size': 3, 'optimizer': 1, 'l2': 0.7446290506725413, 'output_dim': 3, 'output_dim_1': 0, 'l2_1': 0.12090219120950985}
尽管我的代码中只有一个 output_dim 参数,为什么 output_dim 有两个字典值?我如何解释其他一切?
def model(X_train, X_test, y_train, y_test, max_features, maxlen, class_weight_dict):
model = Sequential()
model.add(Embedding(max_features, output_dim = {{choice([32,64,128,256,512])}}, input_length=maxlen))
model.add(LSTM({{choice([32,64,128,256,512])}},W_regularizer=l2({{uniform(0, 1)}})))
model.add(Dropout({{uniform(0, 1)}}))
model.add(Dense(138))
model.add(Activation('softmax'))
model.compile(loss='categorical_crossentropy',
optimizer={{choice(['rmsprop', 'adam', 'sgd'])}},
metrics=['accuracy'])
early_stopping = EarlyStopping(monitor='val_loss', patience=4)
checkpointer = ModelCheckpoint(filepath='keras_weights.hdf5',
verbose=1,
save_best_only=True)
model.fit(X_train, y_train,
batch_size={{choice([32,16,64,128,256,512])}},
validation_data=(X_test, y_test),
nb_epoch=100,
class_weight=class_weight_dict,
callbacks=[early_stopping, checkpointer])
score, acc = model.evaluate(X_test, y_test)
print('Test score:', score)
print('Test accuracy:', acc)
return {'loss': -acc, 'status': STATUS_OK, 'model': model}
if __name__ == '__main__':
best_run, best_model = optim.minimize(model=model,
data=data,
algo=tpe.suggest,
max_evals=10,
trials=Trials())
print(best_run)
print(best_model)
最佳答案
所以这是因为你的参数没有命名,让我们看看这一行:
model.add(LSTM({{choice([32,64,128,256,512])}},W_regularizer=l2({{uniform(0, 1)}})))
因为此选择
未命名 - hyperas
正在扫描函数定义并查找参数名称。由于它没有命名 - 它分配先前命名的参数的值,即 output_1
。为了跳过该尝试:
model.add(LSTM(units={{choice([32,64,128,256,512])}},...)
并对辍学率做类似的事情:
model.add(Dropout(rate=..))
关于python - 使用 Keras 和 Hyperas 进行参数调整,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/48628041/