问题标签 [keras-tuner]

我目前正在尝试使用 keras Tuner 优化我的神经网络，其中一个变量是我的模型中隐藏层的数量，在我学习的所有教程中，如下所示。

从 kerastuner 导入 HyperModel 类 RegressionHyperModel(HyperModel): def init (self, input_shape): self.input_shape = input_shape

特别是在使用 for i in range(hp.Int('n_layers', 1, 3)) 时：

但是当模型搜索最优的NN架构时， 当n_hidden=3时有结果如图

但是当试验进行时 n_hidden==1 它显示 当 n==1

即使当 n_layers = 1 为什么仍然有密集的activation_2，dropout_2等等，甚至units_2

我正在使用 Keras Tuner 为我的神经网络找到最佳超参数。我正在处理一个非常小的样本（227 个训练样本和 57 个验证样本）。

鉴于样本量较小，我预计最佳层数在 1 到 3 之间；然而，调谐器会立即选择极端的超参数值（比如五层，每层有 24 个神经元）。因此，模型预测都是相同的并且接近于零。

模型预测与真实数据

1. 无论模拟次数如何，我都会得到相同的结果
2. 我尝试将特征数量减少到 5 个主成分，结果是一样的
3. 我正在预测回报，并使用 MinMaxScaler 对特征进行了缩放。

我设置优化的方式有问题吗？谢谢你。

我使用 Keras 调谐器对数字识别器数据集进行超参数调优，但
首先出现错误我在 CNNHyperModel 类中创建了构建方法以进行超参数调优第二次我使用 Conv2D、MaxPooling2D、Dropout 然后神经网络我已经导入了该程序所需的库

但我得到了 RuntimeError

我正在使用 Tensorflowflow_from_directory收集一个大型图像数据集，然后对其进行训练。我想使用 Keras Tuner 但是当我运行时

它抛出以下错误，

我对 AI 中的数据类型之间的转换知之甚少，因此非常感谢任何帮助。

这是我的其余代码：

并开始搜索tuner

====================================编辑============== =======================

我正在使用 Keras-Tuner 为我的 CNN 自动识别最佳参数。我正在使用 Celeb_a 数据集。

您可以在此处找到我正在使用的代码 当我尝试运行它时，我收到以下错误。

InvalidArgumentError：logits 和标签必须具有相同的第一维，得到 logits 形状 [1,10] 和标签形状 [40] [[node sparse_categorical_crossentropy/SparseSoftmaxCrossEntropyWithLogits/SparseSoftmaxCrossEntropyWithLogits（定义在 C:\Users\admin-sepr\anaconda3\envs\ tf\lib\site-packages\kerastuner\engine\tuner.py:141) ]] [Op:__inference_train_function_953]

我在其他地方看到，这可能归结为loss="categorical_crossentropy",在我编译代码时使用，他们建议改为尝试loss="sparse_categorical_crossentropy",。

当我这样做时，我收到以下错误。

InvalidArgumentError：logits 和标签必须是可广播的：logits_size=[64,380192] labels_size=[64,40] [[node categorical_crossentropy/softmax_cross_entropy_with_logits（定义在 C:\Users\admin-sepr\anaconda3\envs\tf\lib\site -packages\kerastuner\engine\tuner.py:141) ]] [Op:__inference_train_function_6830]

两个错误的函数调用堆栈如下。

我的函数 train_function 如下（上面有完整的代码）：

我在这里尝试了推荐的方法，但没有成功。

我使用 Keras Tuner 库尝试了 20 种不同的超参数优化，我拟合了所有模型，但我只能从所有最好的 10 个模型中检索最佳模型，并且在那个模型中我的验证准确度很差，所以我尝试了其他没有排名第一的模型。

使用 Keras-tuner 创建超参数调整对象并调用搜索方法，一旦搜索完成，很容易检索到最佳超参数配置，但是似乎没有任何内置方法也可以返回相应的验证损失他们排名的价值。如何将每个试验的验证损失与 tuner.get_best_hyperparameters(3) 方法一起返回？我希望使用回调可能是可能的，但我不确定如何。根据详细的参数，我可以打印每个试验的结果，但我宁愿能够使用超参数本身调用它们。

我正在尝试使用 Keras Tuner 调整有状态 LSTM。我的代码工作正常，它能够训练模型，但我仍然不知道如何让模型在时期之间重置状态。通常我会在一个循环中一次训练 1 个 epoch 并在 epoch 之间手动 reset_states。但是，我认为这对 Keras Tuner 来说是不可能的。有没有我可以使用的论点来实现这一点？这是我当前的调谐器代码如下：

我正在使用 keras Tuner 来优化超参数：隐藏层、神经元、激活函数和学习率。我有 31 个输入、32 个输出和 N 个数据样本的时间序列回归问题。

我原来的 X_train 形状是 (N,31) 而 Y_train 形状是 (N,32)。我将其转换为适用于 keras 形状，并按照以下方式重塑 X_train 和 Y_train：X_train.shape: (N,31,1) Y_train.shape: (N,32)。

在上面的代码中，X_train.shape(1) 是 31，Y_train.shape(1) 是 32。当我使用超参数调整时，它说 ValueError: Input 0 of layer lstm_1 is incompatible with the layer: expected ndim=3, found ndim=2。收到的完整形状：（无，20）。

存在以下错误：

我错过了什么，它的问题是什么。

如何使用 Keras Tuner 调整优化功能？我想尝试 SGD、Adam 和 RMSprop。

我试过：

但这不起作用，因为“AChoice只能包含一种类型的值”