- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我想将 RandomizedSearchCV(或 GridSearchCV)应用于我的 Keras 模型(TensorFlow 后端)。然而,在使用不同的超参数集训练几次后,出现了OOM错误。
下面是我的代码和错误信息。我该如何解决这个问题?提前致谢。
def build_model(num_filters = 10,
num_classes = 6,
sequence_max_length=512,
vocab_size=71,
embedding_size=16,
learning_rate=0.001,
dropout = 0.2,
top_k=3,
embedding_matrix = None,
model_path=None):
... do something
return model
keras_model = KerasClassifier(build_fn=build_model,
embedding_matrix = embedding_matrix)
random_search_model = RandomizedSearchCV(keras_model,
n_iter = 5,
param_distributions = hparm_dist,
refit = True,
n_jobs = 1)
错误信息:
ResourceExhaustedError (see above for traceback): OOM when allocating tensor with shape[471512,300]
更新:
通过将 keras.backend.clear_session() 添加到 sklearn.cross_validation._fit_and_score 的末尾来解决。
最佳答案
您可以尝试将“pre_dispatch”参数更改为 1。By default it is 2*n_jobs
random_search_model = RandomizedSearchCV(keras_model,
n_iter = 5,
param_distributions = hparm_dist,
refit = True,
pre_dispatch=1,
n_jobs = 1)
关于python - Keras Sklearn RandomizedSearchCV GPU OOM 错误,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/49232895/
我正在尝试使用RandomizedSearchCV在随机森林上进行一些超参数优化。我将评分方法设置为平均精度。 rand_search.best_score_ 约为 0.38(对于我的数据集来说是一个
在 RandomizedSearchCv 上执行 fit() 后: tfidf = TfidfVectorizer(strip_accents=None,lowercase=False
我目前正在玩一个关于 xgboost 中超参数优化的玩具示例。在以下示例中,我将执行以下步骤: 从 sklearn 加载 iris 数据集并将其拆分为训练集和测试集。 声明一个我想探索的参数网格。 鉴
我有一些关于随机森林回归模型中的随机网格搜索的问题。我的参数网格如下所示: random_grid = {'bootstrap': [True, False], 'max
我有一些测试和训练数据,测试数据没有任何因变量。 我目前正在运行 GridSearchCV 或 RandomizedSearchCV 来查找最佳参数。 我应该将所有“测试” X 和 y 值传递到 Gr
我使用 RandomizedSearchCV 通过 10 倍交叉验证和 100 次迭代来获得最佳参数。这效果很好。但现在我还想从性能最佳的模型中获取每个预测测试数据点的概率(例如 predict_pr
我正在尝试使用 RandomizedSearchCV 来调整随机森林的超参数,但在运行代码后立即收到 PermissionError 。 初始运行没有 PermissionError (但是它确实抛出
我有一个自定义的 Python 估算器对象 (mkl_regressor)。此类对象的学习参数之一是 float 的 numpy.array。通常 sklearn 估计器对象由单个参数调整,例如 SV
我正在尝试使用 stratifiedKFold 和 RandomizedSearchCV 来实现随机森林分类器。问题是我可以看到 RandomizedSearchCV 的“cv”参数用于进行交叉验证。
我在 sklearn 中使用 RandomizedSearchCV 函数和随机森林分类器。为了查看不同的指标,我使用自定义评分 from sklearn.metrics import make_sco
我想使用RandomizedSearchCV来自 scikit-learn。在构造函数中,我可以传递 param_distributions ,即我想要优化的不同参数的分布。但还有 fit_param
我正在运行 5 倍的 RandomizedSearchCV 以便找到最佳参数。我有一个用于预测的保留集 (X_test)。我的部分代码是: svc= SVC(class_weight=class_we
我设置了以下参数: parameter_space = { 'hidden_layer_sizes': [(sp_randint.rvs(100,600,1),sp_randint.rvs(1
我设置了以下参数: parameter_space = { 'hidden_layer_sizes': [(sp_randint(100,600),sp_randint(100,600),),
我尝试使用“AUCPR”作为使用 Sklearn 的 RandomSearchCV 和 Xgboost 提前停止的评估标准,但我无法为提前停止拟合参数指定 maximize=True 。相反,eval
我正在使用管道通过 RandomizedSearchCV 执行特征选择和超参数优化。以下是代码摘要: from sklearn.cross_validation import train_test_s
我希望能够在 sklearn 的 RandomizedSearchCV 构造中使用管道。但是现在我认为只支持估算器。这是我希望能够执行的操作的示例: import numpy as np from s
假设我们正在尝试找到 RandomForestClassifier 的最佳 max_depth 参数。我们正在使用 RandomizedSearchCV : from scipy.stats impo
我一直在尝试通过 RandomizedSearchCV 调整 LSTM 的超参数。 我的代码如下: X_train = X_train.reshape((X_train.shape[0], 1, X_
我正在使用 RandomizedSearchCV 和 KNeighborsClassifier 来尝试预测贷款违约。 使用 RandomizedSearchCV 在理论上似乎很棒,但当我对其进行测试时
我是一名优秀的程序员,十分优秀!