问题标签 [keras-tuner]

'ValueError: not a legal parameter' 当我使用 LSTM 时会出现问题。但是，如果我只使用密集层，它就可以正常工作。

使用 LSTM 发生错误。

但是，使用密集层可以正常工作。

我正在尝试使用 keras_tuner 中的 tuner.search() 调整我的 CNN 的超参数，这需要我为我的训练和验证数据提供特征和标签。

这就是我要拆分为特征和标签的内容

我已经研究过使用 sklearn 中的 train_test_split 来做到这一点，但我不知道怎么做。任何帮助将不胜感激。

我正在使用keras和keras_tuner进行超参数调整来训练神经网络，并遇到了一个与之前在网站上提出的其他问题不相似的错误。

根据我的知识，这是相关的代码：

1. 拆分我的数据集

结果是这样的：

2. 建立我的模型

3. 使用 Hyperband 对参数进行超调

最后，我得到了一个错误，如图所示：

我什至不确定 400 是从哪里来的，我意识到我的一层有一个零，但是当我删除它时，错误仍然保持不变。我所做的新更改是：

仍然有来自某个地方的400，有人可以告诉我它来自哪里吗？

我想使用 Keras 对 PCA 和 BiLSTM 执行超参数优化。这是我的构建功能。并让我了解 Keras Tuner 中的管道流程

def build_model(hp):

我目前正在使用免费的 Google Colab 实例上的 Keras Tuner 浏览更大的搜索空间。由于使用限制，我的搜索运行将在完成之前中断。我想定期保存我的搜索进度以防出现这些中断，并在 Colab 资源再次可供我使用时从上一个检查点恢复。我找到了有关如何从运行中保存特定模型的文档，但我想保存搜索的整个状态，包括已经尝试过的内容和这些实验的结果。

我可以打电话Tuner.get_state()，保存结果，然后从我离开的地方继续Tuner.set_state()吗？还是有其他方法？

我的目标是调整满足以下标准的可能网络架构：

1. 第 1 层可以具有此列表中任意数量的隐藏单元：[32, 64, 128, 256, 512]

然后，要为其余层探索的隐藏单元的数量应始终取决于在其上方层中所做的特定选择，特别是：

2. 第 2 层可以具有与第 1 层相同或一半的单元。
3. 第 3 层可以具有与第 2 层相同或一半的单元。
4. 第 4 层可以具有与第 3 层相同或一半的单元。

正如我目前正在实施的那样，第 2、3 和 4 层的 hp.Choice 选项一旦首次建立就永远不会更新。

例如，假装在调谐器的第一遍，num_layers = 4这意味着将创建所有四个层。例如，如果第 1 层选择 256 个隐藏单元，则选项变为：

第 2 层 --> [128, 256]

第 3 层 --> [64, 128]

第 4 层 --> [32, 64]

第 2 层、第 3 层和第 4 层在随后的每次迭代中都停留在这些选择上，而不是更新以适应第 1 层的未来选择。

这意味着在未来的迭代中，当第 1 层中隐藏单元的数量发生变化时，第 2、3 和 4 层的选项不再满足探索选项的预期目标，其中每个后续层可以包含相同或一半的隐藏单元上一层。

有谁知道告诉 Keras Tuner 探索每一层隐藏单元的所有可能选项的正确方法，其中要探索的区域满足标准，即第一层之后的每一层允许具有与前一层相同或一半的隐藏单元层，并且第一层可以有来自列表 [32, 64, 128, 256, 512] 的多个隐藏单元？

我正在尝试使用keras_tuner调整XGBRegressor堆叠回归器的搅拌器（an）的超参数。已经找到了它的低级回归器的超参数，所以我只对搅拌机的最佳值max_depth感兴趣learning_rate。（有一些类似的问题，比如这个，据我所知，没有一个可以解决这个问题。）这是我这样做的过程：

但是，会引发以下错误：

解决此问题的解决方法是什么？

对于代码底部的错误，我真的很感激：

这是发生以下错误的时候：

我找到了这个页面，但它让我有点困惑。首先有一个小例子，在我的例子中似乎很容易实现，但在端到端的例子中，run_trial 有点长，我看不出执行的循环在哪里。你能帮我找到答案吗？

我正在使用 keras Tuner 对 ANN 模型进行超参数调整。我将模型中的层数更改为 2 到 5 之间，节点介于 10 到 30 之间。我正在使用 keras 调谐器的随机搜索模型来选择性能最佳的模型。当我观察结果时，排名靠前的结果如下：

我们可以看到，在第二次试验总结中，虽然没有 3 层，但存在 5 个隐藏层的单元。

我还附上了到达结果的代码片段。

有人可以用结果来解释这种行为。