【Python深度学习系列】网格搜索神经网络超参数：优化器

6257rv7

这是我的第286篇原创文案。

1、引言

在深度学习中，超参数指的是在训练模型时需要手动设置的参数，它们一般不可经过训练数据自动学习得到。超参数的选取针对模型的性能至关重要，因此呢在进行深度学习实验时，超参数调优一般是一个重要的过程。平常的超参数包含：

model.add()neurons（隐含层神经元数量）init_mode（初始权重办法）activation（激活函数）dropout（丢弃率）model.compile()loss（损失函数）optimizer（优化器）learning rate（学习率）momentum（动量）weight decay（权重衰减系数）model.fit()batch size（批量体积）epochs（迭代次数）

通常来讲，能够经过手动调优、网格搜索（Grid Search）、随机搜索（Random Search）、自动调参算法方式进行超参数调优。损失函数是用于衡量模型所作出的预测离真实值（Ground Truth）之间的偏离程度。一般，咱们都会用一种优化算法（优化器）最小化目的函数，例如常用的算法便是“梯度下降法”（Gradient Descent）。本文采用网格搜索选取优化器。

2、实现过程

2.1 准备数据

dataset：

dataset = pd.read_csv("data.csv", header=None) dataset = pd.DataFrame(dataset) print(dataset)

2.2 数据划分

# 切分数据为输入 X 和输出 Y X = dataset.iloc[:,0:8] Y = dataset.iloc[:,8] # 为了复现，设置随机种子seed = 7 np.random.seed(seed) random.set_seed(seed)

2.3 创建模型

需要定义个网格的架构函数create_model

def create_model(): # 创建模型 model = Sequential() model.add(Dense(50, input_shape=(8, ), kernel_initializer=uniform, activation=relu)) model.add(Dropout(0.05)) model.add(Dense(1, kernel_initializer=uniform, activation=sigmoid)) # 编译模型 model.compile(loss=binary_crossentropy, optimizer=adam, metrics=[accuracy]) returnmodel model = KerasClassifier(model=create_model, epochs=100, batch_size=80, verbose=0)

这儿运用了scikeras库的KerasClassifier类来定义一个归类器，这儿因为KerasClassifier有定义优化器的参数optimizer，不需要自定义一个暗示丢优化器的参数。

2.4 定义网格搜索参数

param_grid = {optimizer: [SGD, RMSprop, Adagrad, Adadelta, Adam, Adamax, Nadam]}

param_grid是一个字典，key是超参数名叫作，这儿的名叫作必须要在KerasClassifier这个对象里面存在况且参数名要一致。value是key可取的值，亦便是要尝试的方法。

2.5 进行参数搜索

from sklearn.model_selection import GridSearchCV grid = GridSearchCV(estimator=model, param_grid=param_grid) grid_result = grid.fit(X, Y)

运用sklearn里面的GridSearchCV类进行参数搜索，传入模型和网格参数。

2.6 总结搜索结果

print("Best: %f using %s" % (grid_result.best_score_, grid_result.best_params_)) means = grid_result.cv_results_[mean_test_score] stds = grid_result.cv_results_[std_test_score] params = grid_result.cv_results_[params] formean, stdev, param in zip(means, stds, params):print("%f (%f) with: %r" % (mean, stdev, param))

结果：

经过网格搜索，优化器的最优选取是Nadm。

作者简介： 读研时期发布6篇SCI数据算法关联论文，日前在某科研院从事数据算法关联科研工作，结合自己研究实践经历连续分享关于Python、数据分析、特征工程、设备学习、深度学习、人工智能系列基本知识与案例。关注gzh：数据杂坛，获取数据和源码学习更加多内容。

原文链接：【Python深度学习系列】网格搜索神经网络超参数：优化器（案例+源码）

b1gc8v

楼主的文章非常有意义，提升了我的知识水平。

4zhvml8

我深受你的启发，你的话语是我前进的动力。