keras - 如何使用 KerasClassifier 验证拆分和使用 scitkit 学习 GridSearchCV

问题描述

我想尝试测试一些超参数，那就是我想使用 GridSearchCV，因为这似乎就是这样做的方法。

但我也想使用验证拆分。使用像 EarlyStopping 或/和 ReduceLROnPlateau 这样的回调。所以我的问题是：我如何正确实现 GridSearchCV + validation_split 验证拆分中的所有数据都没有用于训练并且整个训练集都用于训练我的模型？Afaik GridSearchCV 再次拆分我剩余的火车数据（即 1-validation_split）并再次拆分？我得到了很高的准确性，我认为我没有正确拆分数据

model = KerasClassifier(build_fn=create_model,verbose=2, validation_split=0.1)
optimizers = ['rmsprop', 'adam']
init = ['glorot_uniform',
        #'normal',
        'uniform',
        'he_normal',
        #'lecun_normal',
        #'he_uniform'
       ]
epochs = [3] #5,8,10,30
batches = [64] #32,64
param_grid = dict(optimizer=optimizers, epochs=epochs, batch_size=batches, init=init)
grid = GridSearchCV(estimator=model, param_grid=param_grid)
grid_result = grid.fit(X_train, Y_train)

标签： kerasscikit-learndata-sciencetf.keras

grid.fit()您可以通过将一个额外的参数传递给函数来使用您自定义的验证数据validation_data=(X_test, Y_test)。文档说明该函数grid.fit()接受所有可以传递给model.fit()默认 Keras模型的实际函数的有效参数。因此，您可以通过该grid.fit()函数传递验证数据。您也可以在那里传递回调函数。

我在下面添加了一个工作代码（应用于 MNIST 数字数据集）。请注意我是如何添加验证数据grid.fit()并删除“validation_split”的：

import tensorflow as tf
import numpy as np
from tensorflow.keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import GridSearchCV
from tensorflow.keras.datasets import mnist 
from tensorflow.keras.utils import to_categorical

(X_train, Y_train), (X_test, Y_test) = mnist.load_data()
Y_train = to_categorical(Y_train, 10)
Y_test = to_categorical(Y_test, 10)
X_train = np.expand_dims(X_train, 3)
X_test = np.expand_dims(X_test, 3)

def create_model(optimizer, init):
    model = tf.keras.Sequential([
         tf.keras.layers.Convolution2D(32, 3, input_shape=(28, 28, 1), 
                                       activation='relu', kernel_initializer=init),
         tf.keras.layers.Convolution2D(32, 3, activation='relu',
                                       kernel_initializer=init),
         tf.keras.layers.Flatten(),
         tf.keras.layers.Dense(12, activation='relu', 
                               kernel_initializer=init),
         tf.keras.layers.Dense(10, activation='softmax', 
                               kernel_initializer=init),
    ])
    model.compile(loss='categorical_crossentropy', 
                  optimizer=optimizer, metrics=['accuracy'])
    return model

model = KerasClassifier(build_fn=create_model, verbose=2,)
optimizers = ['rmsprop', 'adam']
init = ['glorot_uniform',
        #'normal',
        'uniform',
        'he_normal',
        #'lecun_normal',
        #'he_uniform'
       ]
epochs = [4,] 
batches = [32, 64] 
param_grid = dict(optimizer=optimizers, nb_epoch=epochs, 
                  batch_size=batches, init=init)

grid = GridSearchCV(estimator=model, param_grid=param_grid)
grid_result = grid.fit(X_train, Y_train, validation_data=(X_test, Y_test))

希望这可以帮助。谢谢。

keras - 如何使用 KerasClassifier 验证拆分和使用 scitkit 学习 GridSearchCV

问题描述

解决方案

推荐阅读