python - keras:返回 model.summary() 与 scikit 学习包装器

Question

在使用 keras 时，我了解到使用包装器会对 keras 和 scikit learn api 请求产生不利影响。我对同时拥有两者的解决方案很感兴趣。

变体 1:scikit 包装器

from keras.wrappers.scikit_learn import KerasClassifier

    def model():
        model = Sequential()
        model.add(Dense(10, input_dim=4, activation='relu'))
        model.add(Dense(3, activation='softmax'))
        model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
        return model

estimator = KerasClassifier(build_fn=model, epochs=100, batch_size=5)
model.fit(X, y)

-> 这让我可以打印 scikit 命令，例如 accuracy_score() 或 classification_report()。但是，model.summary() 不起作用:

AttributeError: 'KerasClassifier' object has no attribute 'summary'

变体 2:无包装器

model = Sequential()
model.add(Dense(10, input_dim=4, activation='relu'))
model.add(Dense(3, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(X, y, epochs=100, batch_size=5)

-> 这让我可以打印 model.summary() 而不是 scikit 命令。

ValueError: Mix type of y not allowed, got types {'multiclass', 'multilabel-indicator'}

有没有一种方法可以同时使用两者？

Answer 1

KerasClassifier 只是 keras 中实际 Model 的包装器，以便可以将 keras api 的实际方法路由到方法在 scikit 中使用，因此它可以与 scikit 实用程序结合使用。但在内部它只使用可以通过 estimator.model 访问的模型。

说明上述内容的示例:

from keras.models import Sequential
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.datasets import make_classification
def model():
    model = Sequential()
    model.add(Dense(10, input_dim=20, activation='relu'))
    model.add(Dense(2, activation='softmax'))
    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
    return model

estimator = KerasClassifier(build_fn=model, epochs=100, batch_size=5)
X, y = make_classification()
estimator.fit(X, y)

# This is what you need
estimator.model.summary()

这个的输出是:

Layer (type)                 Output Shape              Param #   
=================================================================
dense_9 (Dense)              (None, 10)                210       
_________________________________________________________________
dense_10 (Dense)             (None, 2)                 22        
=================================================================
Total params: 232
Trainable params: 232
Non-trainable params: 0
_________________________________________________________________