时间戳

首页 > 解决方案 > keras：返回 model.summary() vs scikit learn wrapper

python - keras：返回 model.summary() vs scikit learn wrapper

问题描述

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。我对两者兼有的解决方案感兴趣。

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)

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

AttributeError：“KerasClassifier”对象没有属性“摘要”

变体 2：无包装

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() 但不能打印 scikit 命令。

ValueError：不允许混合 y 类型，得到类型 {'multiclass'、'multilabel-indicator'}

有没有一种方法可以同时使用两者？

标签： pythonscikit-learnkeraswrappersummary

解决方案

KerasClassifier只是对实际Modelin的包装，keras因此 keras api 的实际方法可以路由到 scikit 中使用的方法，因此可以与 scikit 实用程序结合使用。但在内部它只使用可以通过 using 访问的模型estimator.model。

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()

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
_________________________________________________________________

推荐阅读