python - 用keras Grid Search隐藏层数

Question

我正在尝试使用 Keras 和 sklearn 优化神经网络的超参数。我正在结束 KerasClassifier(这是一个分类问题)。我正在尝试优化隐藏层的数量。我无法弄清楚如何用 keras 做到这一点(实际上我想知道如何设置函数 create_model 以最大化隐藏层的数量)谁能帮帮我？

我的代码(只是重要的部分):

## Import `Sequential` from `keras.models`
from keras.models import Sequential

# Import `Dense` from `keras.layers`
from keras.layers import Dense

def create_model(optimizer='adam', activation = 'sigmoid'):
  # Initialize the constructor
  model = Sequential()
  # Add an input layer
  model.add(Dense(5, activation=activation, input_shape=(5,)))
  # Add one hidden layer
  model.add(Dense(8, activation=activation))
  # Add an output layer 
  model.add(Dense(1, activation=activation))
  #compile model
  model.compile(loss='binary_crossentropy', optimizer=optimizer, metrics=
  ['accuracy'])
  return model
my_classifier = KerasClassifier(build_fn=create_model, verbose=0)# Create 
hyperparameter space
epochs = [5, 10]
batches = [5, 10, 100]
optimizers = ['rmsprop', 'adam']
activation1 = ['relu','sigmoid']
# Create grid search
grid = RandomizedSearchCV(estimator=my_classifier, 
param_distributions=hyperparameters) #inserir param_distributions

# Fit grid search
grid_result = grid.fit(X_train, y_train)
# Create hyperparameter options
hyperparameters = dict(optimizer=optimizers, epochs=epochs, 
batch_size=batches, activation=activation1)
# View hyperparameters of best neural network
grid_result.best_params_

Answer 1

如果你想让隐藏层的数量成为超参数，你必须将它作为参数添加到你的 KerasClassifier build_fn 中，例如:

def create_model(optimizer='adam', activation = 'sigmoid', hidden_layers=1):
  # Initialize the constructor
  model = Sequential()
  # Add an input layer
  model.add(Dense(5, activation=activation, input_shape=(5,)))

  for i in range(hidden_layers):
      # Add one hidden layer
      model.add(Dense(8, activation=activation))

  # Add an output layer 
  model.add(Dense(1, activation=activation))
  #compile model
  model.compile(loss='binary_crossentropy', optimizer=optimizer, metrics=
  ['accuracy'])
  return model

然后您可以通过将隐藏层的数量添加到字典中来优化隐藏层的数量，该字典将传递给 RandomizedSearchCV 的 param_distributions。

还有一件事，您可能应该将用于输出层的 activation 与其他层分开。不同类别的激活函数适用于二元分类中使用的隐藏层和输出层。