我正在使用 kerastuner.tuner.RandomSearch 来调整超参数，包括模型的层数。但是报告的层数与创建的层数不同。例如。

在上述试验中，据报道卷积层数将为 7，但仅创建了 3 个，据报道层数为 8，但仅创建了两个。

这是我的built_model 函数的代码。

我做错了什么还是kerastuner中的错误？

我正在尝试使用 keras 功能 API 构建神经网络并训练我使用 keras 调谐器的网络。该模型由一些嵌入层和一些密集层组成：

要使用调谐器，请执行以下代码：

调谐器的结果用于构建模型。

model.summary()和的输出plot_model为空。输出如下所示：

不知道这是否已连接，但代码运行得非常好，我只是绘制网络以查看它是如何构建的。但是，当我尝试保存模型时，我确实遇到了错误：

错误是：

我不知道这些是否相关。

我正在开发一个用于具有 11 个类别的多标签文本分类的 LSTM 模型。当没有调整的模型运行良好时，
这给了我一个错误。keras.tuner

如果有人能指出这些错误背后的问题，我将不胜感激。我尝试将其更改为loss，sparse_categorical_crossentropy但它会给我带来其他错误。

这是我的设置。 tensorflow version:2.5.0, keras version:2.4.3

文字清洗

嵌入

Shape of data tensor: (10695, 1000)

Shape of label tensor: (10695, 11)

训练和测试数据

(9625,) (9625, 11)
(1070,) (1070, 11)

标记化

构建调优模型

我收到以下错误

我有两个关于 Keras Tuner Hyperband 类的问题（针对回归问题）

https://keras-team.github.io/keras-tuner/documentation/tuners/#hyperband-class

1. 与 BayesianOptimization 和 RandomSearch 不同，Tuner Hyperband（和 Sklearn）没有参数“max_trials”。定义它们的最佳方式是什么？该文档提到了（N = max_epochs，f = 3 default）的所有试验中最多N *（log（N）/ log（f））^ 2个累积时期，考虑到我通常需要max_epochs> 10000，这似乎非常高一次很好的训练。我想限制 Keras Tuner 的计算时间，例如大约一天。有没有比按 ctrl+c 取消以自动开始训练更好的方法？

2. 当我开始使用

   可以传递 epoch 数量的另一个参数。'search()' 的 'epochs' 和 'Hyperband()' 的 'max_epochs' 之间有什么关系？它们中的任何一个或公式 N*(log(N)/log(f))^2 似乎都不适合时期的总数。

我在其他地方找不到太多信息。同样在阅读了这篇论文之后，我还不清楚这一点。欢迎任何提示。谢谢！

我对超参数优化有疑问。我设计了一个简单的 NN，并且正在执行 Hyperband 类以进行超参数优化。在执行超参数搜索之前，我想看看如果我给 Hyperband 模型提供与我的简单 NN 设计相同的参数，我会得到与 NN 设计相同的结果吗？但是，我无法获得相同的分数。

更具体地说，我为 Hyperband 提供了相同的参数（在我的情况下，我为搜索提供了一个值，这些值在使用 NN 时是相同的），我的期望是获得由简单 NN 产生的相同分数.

参数搜索完成后，为最佳参数创建的模型应该与 NN 设计相同，还是我遗漏了什么？

有没有人有类似问题的经验？

My model after training is getting overfit 1 and I want to use callbacks to stop the model when acc and val_acc are not too far apart. This is my model 2 and my callback 3 Can anyone help me to edit callbacks like that? Any help is greatly appreciated by me.

我正在使用 Keras 调谐器调整模型BayesianOptimization。调整目标是val_loss在每个 epoch 之后计算的。据我了解，调谐器将通过各种超参数配置并训练模型，同时跟踪val_loss. 它保存模型在最低（最佳）时期的模型权重val_loss。调优后，调优方法get_best_models返回val_loss在其训练中的任何时候都具有最佳性能的模型。

但是，查看调整日志，我注意到最终假定的最佳val_loss值实际上并不是val_loss它在调整期间报告的最低值。在日志中，您可以看到在试验 64 之后“迄今为止最好的”如何val_loss增加到 0.431，而试验 64 的情况要差得多val_loss。

这是日志的摘录：（我在训练中省略了日志行...）

调优总结表明最好val_loss的是 0.400，即使它一定在某个时候找到了一个模型，val_loss它实际上是更好的 0.396。（确切地说是在试验 58 中）

这是创建调谐器的代码：

并开始调整过程：

为什么“最好”的模型没有遇到最低的val_loss？我误解了调谐器的工作原理还是这是一个错误？

keras-tuner是否可以基于测试集而不是训练集使用 对模型性能进行评分/评估？我问这个，因为到目前为止，我的理解是度量函数tuner.search()仅在使用中用作目标y_true和y_pred作为输入参数，它们都指的是训练集（如果我错了，请纠正我）。
那么如何在度量函数中使用测试数据呢？

我想同时使用 loss 和 val_loss 来评估模型，因为我的数据集非常小。我不能使用 val_loss，因为它只会得到一些随机模型，碰巧测试集中的一个值被正确预测，但另一方面，仅使用损失会导致过度拟合。关于我如何实现这一目标的任何想法？

我正在研究一个文本分类问题，并尝试使用 Kerastuner 来确定我的 LSTM 网络的最佳配置。以下是相同的代码：

keras 调谐器

代码失败并出现以下错误：

ValueError: 层 lstm_1 的输入 0 与层不兼容：预期 ndim=3，发现 ndim=2。收到的完整形状：（无，50）

谁能帮我解决这个问题？