自动编码器Gridsearch超参数调整Keras

python   keras   grid-search  

温馨提示：将鼠标放在语句上可以显示对应的英文。   或者   切换至中英文显示

我的数据形状是一样的，我只是在这里生成随机数。 实际上，数据是从-6到6的浮点数，我也对它们进行了换算。 输入层大小和编码尺寸必须保持相同。 当我训练时，损失开始并一直保持在0.631 。 我手动更改了学习率。 我是python的新手，不知道要实现对此代码的网格搜索以找到正确的参数。 我还能做些什么来调整我的网络？

import numpy as np
from keras.layers import Input, Dense
from keras.models import Model
from keras import optimizers

#Train data
x_train=np.random.rand(2666000)
x_train = (train-min(train))/(max(train)-min(train))
x_train=x_train.reshape(-1,2000)

x_test=[]#empty testing later
#Enc Dimension 
encoding_dim=100
#Input shape
input_dim = Input(shape=(2000,))
#Encoding Layer
encoded = Dense(encoding_dim, activation='relu')(input_dim)
#Decoding Layer
decoded = Dense(2000, activation='sigmoid')(encoded)

#Model AE
autoencoder = Model(input_dim, decoded)
#Model Encoder 
encoder = Model(input_dim, encoded)
#Encoding
encoded_input = Input(shape=(encoding_dim,))
#Decoding 
decoder_layer = autoencoder.layers[-1]
#Model Decoder 
decoder = Model(encoded_input, decoder_layer(encoded_input))

optimizers.Adadelta(lr=0.1, rho=0.95, epsilon=None, decay=0.0)
autoencoder.compile(optimizer=optimizer, loss='binary_crossentropy', 
                metrics=['accuracy'])
#Train and test 
autoencoder_train= autoencoder.fit(x_train, x_train,
            epochs=epochs, shuffle=False, batch_size=2048)

python keras grid-search

1 个回复

按投票数排序按时间排序

 

===============>>#1 票数：0 已采纳

我建议添加更多隐藏层。 如果您的损失保持不变，则至少意味着以下两种情况之一：

• 您的数据或多或少是随机的，没有关系可以绘制

• 您的模型不够复杂，无法从数据中学习有意义的关系

我的经验法则是，在进行足够多的训练迭代后，模型应该足够强大以过度拟合数据。

不幸的是，在足够复杂和过于复杂之间存在一条细线。 您必须计算隐藏层的数量，每一层中的单位数量以及训练网络所需的时间。 由于您只有两个Dense层，所以一个好的出发点是增加模型的复杂性。

 

如果您坚持使用网格搜索，那么keras有一个scikit_learn的包装，而sklearn有一个网格搜索模块。 一个玩具的例子：

from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import GridSearchCV

def create_model():
    <return a compiled but untrained keras model>

model = KerasClassifier(build_fn = create_model, batch_size=1000, epochs=10)
#now write out all the parameters you want to try out for the grid search
activation = ['relu', 'tanh', 'sigmoid'...]
learn_rate = [0.1, 0.2, ...]
init = ['unform', 'normal', 'zero', ...]
optimizer = ['SGD', 'Adam' ...]
param_grid = dict(activation=activation, learn_rate=learn_rate, init=init, optimizer=optimizer)
grid = GridSearchCV(estimator=model, param_grid=param_grid)
result = grid.fit(X, y)