Keras Tuner官方教程

cvvoid

于 2021-05-09 09:57:06 发布

阅读量2.3k

点赞数 4

分类专栏： keras 计算机视觉代码示例合集实例文章标签： tensorflow

本文链接：https://blog.csdn.net/chenvvei/article/details/116061345

版权

这篇教程介绍了如何使用Keras Tuner进行超参数调优，特别是使用Hyperband算法。首先，展示了如何安装导入Keras Tuner，接着加载Fashion MNIST数据集并标准化像素。然后，定义了一个模型构建器函数来创建图像分类模型。之后，实例化了Hyperband调优器，并设置了优化目标和最大训练轮数。在训练过程中，应用了早停回调以提高效率。最后，使用最优超参数重新训练模型，并评估了模型在测试数据上的性能。

摘要由CSDN通过智能技术生成

Keras Tuner官方教程

import tensorflow as tf
from tensorflow import keras

Install and import the Keras Tuner.

pip install -q -U keras-tuner

import kerastuner as kt

下载准备数据集

Fashion MNIST dataset.

(img_train, label_train), (img_test, label_test) = keras.datasets.fashion_mnist.load_data()

标准化像素到0-1

# Normalize pixel values between 0 and 1
img_train = img_train.astype('float32') / 255.0
img_test = img_test.astype('float32') / 255.0

定义模型

定义hypermodel 的两种方式

模型构建器函数( model builder function )
您还可以使用两个预定义的HyperModel类—HyperXception和HyperResNet用于计算机视觉应用程序。

在本教程中，您将使用模型构建器函数( model builder function )来定义图像分类模型。模型构建器函数返回一个已编译的模型，并使用内联定义的超参数对模型进行超调。

# 构建模型，传入hp参数，使用其定义需要优化的参数范围，构成参数空间
def model_builder(hp):
  model = keras.Sequential()
  model.add(keras.layers.Flatten(input_shape=(28, 28)))

  # Tune the number of units in the first Dense layer
  # Choose an optimal value between 32-512
  hp_units