主题资源网站建设,做简历有什么网站,手机网页制作软件中文版,wordpress代码审计如何进行目录
导言
调整模型结构
定义搜索空间
开始搜索
查询结果
重新训练模型
调整模型训练
调整数据预处理
重新训练模型
指定调整目标
以内置指标为目标
以自定义指标为目标
调整端到端工作流程
将 Keras 代码分开 政安晨的个人主页#xff1a;政安晨 欢迎 #x1…目录
导言
调整模型结构
定义搜索空间
开始搜索
查询结果
重新训练模型
调整模型训练
调整数据预处理
重新训练模型
指定调整目标
以内置指标为目标
以自定义指标为目标
调整端到端工作流程
将 Keras 代码分开 政安晨的个人主页政安晨 欢迎 点赞✍评论⭐收藏 收录专栏: TensorFlow与Keras机器学习实战 希望政安晨的博客能够对您有所裨益如有不足之处欢迎在评论区提出指正 使用 KerasTuner 调整模型超参数的基础知识。
导言
KerasTuner 是一个通用超参数调整库。它与 Keras 工作流集成度很高但并不局限于 Keras 工作流你可以用它来调整 scikit-learn 模型或其他任何东西。
在本文中您将看到如何使用 KerasTuner 调整模型架构、训练过程和数据预处理步骤。
让我们从一个简单的例子开始。
调整模型结构
我们需要做的第一件事是编写一个函数返回编译后的 Keras 模型。它需要一个参数 hp用于在构建模型时定义超参数。
定义搜索空间
在下面的代码示例中我们定义了一个具有两个密集层的 Keras 模型。我们想调整第一个 Dense 层的单元数。我们只需用 hp.Int(units, min_value32, max_value512, step32)定义一个整数超参数其范围为 32 至 512含 512。从中取样时走过区间的最小步长为 32。
import keras
from keras import layersdef build_model(hp):model keras.Sequential()model.add(layers.Flatten())model.add(layers.Dense(# Define the hyperparameter.unitshp.Int(units, min_value32, max_value512, step32),activationrelu,))model.add(layers.Dense(10, activationsoftmax))model.compile(optimizeradam,losscategorical_crossentropy,metrics[accuracy],)return model
您可以快速测试模型是否构建成功。
import keras_tunerbuild_model(keras_tuner.HyperParameters())
Sequential namesequential, builtFalse
还有许多其他类型的超参数。我们可以在函数中定义多个超参数。在下面的代码中我们用 hp.Boolean() 来调整是否使用 Dropout 层用 hp.Choice() 来调整使用哪个激活函数用 hp.Float() 来调整优化器的学习率。
def build_model(hp):model keras.Sequential()model.add(layers.Flatten())model.add(layers.Dense(# Tune number of units.unitshp.Int(units, min_value32, max_value512, step32),# Tune the activation function to use.activationhp.Choice(activation, [relu, tanh]),))# Tune whether to use dropout.if hp.Boolean(dropout):model.add(layers.Dropout(rate0.25))model.add(layers.Dense(10, activationsoftmax))# Define the optimizer learning rate as a hyperparameter.learning_rate hp.Float(lr, min_value1e-4, max_value1e-2, samplinglog)model.compile(optimizerkeras.optimizers.Adam(learning_ratelearning_rate),losscategorical_crossentropy,metrics[accuracy],)return modelbuild_model(keras_tuner.HyperParameters())
Sequential namesequential_1, builtFalse
如下图所示超参数是实际值。事实上它们只是返回实际值的函数。例如hp.Int() 返回一个 int 值。因此你可以将它们放入变量、for 循环或 if 条件中。
hp keras_tuner.HyperParameters()
print(hp.Int(units, min_value32, max_value512, step32))
结果如下
32
您还可以提前定义超参数并将 Keras 代码保存在单独的函数中。
def call_existing_code(units, activation, dropout, lr):model keras.Sequential()model.add(layers.Flatten())model.add(layers.Dense(unitsunits, activationactivation))if dropout:model.add(layers.Dropout(rate0.25))model.add(layers.Dense(10, activationsoftmax))model.compile(optimizerkeras.optimizers.Adam(learning_ratelr),losscategorical_crossentropy,metrics[accuracy],)return modeldef build_model(hp):units hp.Int(units, min_value32, max_value512, step32)activation hp.Choice(activation, [relu, tanh])dropout hp.Boolean(dropout)lr hp.Float(lr, min_value1e-4, max_value1e-2, samplinglog)# call existing model-building code with the hyperparameter values.model call_existing_code(unitsunits, activationactivation, dropoutdropout, lrlr)return modelbuild_model(keras_tuner.HyperParameters())
Sequential namesequential_2, builtFalse
每个超参数的名称第一个参数都是唯一标识。为了分别调整不同密集层的单元数作为不同的超参数我们给它们起了不同的名字如 f units_{i}。 值得注意的是这也是创建条件超参数的一个例子。有许多超参数指定了密集层中的单元数。此类超参数的数量由层数决定而层数也是一个超参数。因此每次试验使用的超参数总数可能不同。有些超参数只有在满足特定条件时才会使用。例如units_3 仅在 num_layers 大于 3 时使用。使用 KerasTuner您可以在创建模型时轻松地动态定义此类超参数。
def build_model(hp):model keras.Sequential()model.add(layers.Flatten())# Tune the number of layers.for i in range(hp.Int(num_layers, 1, 3)):model.add(layers.Dense(# Tune number of units separately.unitshp.Int(funits_{i}, min_value32, max_value512, step32),activationhp.Choice(activation, [relu, tanh]),))if hp.Boolean(dropout):model.add(layers.Dropout(rate0.25))model.add(layers.Dense(10, activationsoftmax))learning_rate hp.Float(lr, min_value1e-4, max_value1e-2, samplinglog)model.compile(optimizerkeras.optimizers.Adam(learning_ratelearning_rate),losscategorical_crossentropy,metrics[accuracy],)return modelbuild_model(keras_tuner.HyperParameters())
Sequential namesequential_3, builtFalse
开始搜索
定义搜索空间后我们需要选择一个调谐器类来运行搜索。您可以选择随机搜索RandomSearch、贝叶斯优化BayesianOptimization和超宽带Hyperband它们对应不同的调整算法。这里我们以随机搜索为例。 要初始化调谐器我们需要在初始化器中指定几个参数。 超模型。模型构建函数在我们的例子中就是 build_model。 目标。要优化的目标名称内置指标会自动推断是最小化还是最大化。本教程稍后将介绍如何使用自定义指标。 max_trials最大试验次数。搜索过程中要运行的试验总数。 executions_per_trial每次试验执行次数。每次试验应建立和拟合的模型数。不同的试验有不同的超参数值。同一试验中的执行次数具有相同的超参数值。每个试验执行多次的目的是减少结果差异从而更准确地评估模型的性能。如果想更快得到结果可以设置 executions_per_trial1每个模型配置只进行一轮训练。 覆盖。控制是覆盖同一目录下的上一次结果还是恢复上一次搜索。这里我们设置 overwriteTrue 开始新的搜索并忽略之前的结果。 目录。存储搜索结果的目录路径。 project_name。目录中子目录的名称。
tuner keras_tuner.RandomSearch(hypermodelbuild_model,objectiveval_accuracy,max_trials3,executions_per_trial2,overwriteTrue,directorymy_dir,project_namehelloworld,
)
您可以打印搜索空间的摘要
tuner.search_space_summary() Search space summary
Default search space size: 5
num_layers (Int)
{default: None, conditions: [], min_value: 1, max_value: 3, step: 1, sampling: linear}
units_0 (Int)
{default: None, conditions: [], min_value: 32, max_value: 512, step: 32, sampling: linear}
activation (Choice)
{default: relu, conditions: [], values: [relu, tanh], ordered: False}
dropout (Boolean)
{default: False, conditions: []}
lr (Float)
{default: 0.0001, conditions: [], min_value: 0.0001, max_value: 0.01, step: None, sampling: log} 在开始搜索之前让我们先准备好 MNIST 数据集。
import keras
import numpy as np(x, y), (x_test, y_test) keras.datasets.mnist.load_data()x_train x[:-10000]
x_val x[-10000:]
y_train y[:-10000]
y_val y[-10000:]x_train np.expand_dims(x_train, -1).astype(float32) / 255.0
x_val np.expand_dims(x_val, -1).astype(float32) / 255.0
x_test np.expand_dims(x_test, -1).astype(float32) / 255.0num_classes 10
y_train keras.utils.to_categorical(y_train, num_classes)
y_val keras.utils.to_categorical(y_val, num_classes)
y_test keras.utils.to_categorical(y_test, num_classes)
然后开始搜索最佳超参数配置。每次执行时传给 search 的所有参数都会传给 model.fit()。记住要传递 validation_data 来评估模型。
tuner.search(x_train, y_train, epochs2, validation_data(x_val, y_val))
Trial 3 Complete [00h 00m 19s]
val_accuracy: 0.9665500223636627
Best val_accuracy So Far: 0.9665500223636627
Total elapsed time: 00h 00m 40s
在搜索过程中模型构建函数会在不同的试验中以不同的超参数值被调用。在每次试验中调谐器都会生成一组新的超参数值来构建模型。然后对模型进行拟合和评估。指标会被记录下来。调谐器会逐步探索空间最终找到一组好的超参数值。
查询结果
搜索结束后可以检索最佳模型。模型将保存在根据验证数据评估的最佳性能历元上。
# Get the top 2 models.
models tuner.get_best_models(num_models2)
best_model models[0]
best_model.summary()
/usr/local/python/3.10.13/lib/python3.10/site-packages/keras/src/saving/saving_lib.py:388: UserWarning: Skipping variable loading for optimizer adam, because it has 2 variables whereas the saved optimizer has 18 variables. trackable.load_own_variables(weights_store.get(inner_path))
/usr/local/python/3.10.13/lib/python3.10/site-packages/keras/src/saving/saving_lib.py:388: UserWarning: Skipping variable loading for optimizer adam, because it has 2 variables whereas the saved optimizer has 10 variables. trackable.load_own_variables(weights_store.get(inner_path)) 您还可以打印搜索结果摘要。
tuner.results_summary()
Results summary
Results in my_dir/helloworld
Showing 10 best trials
Objective(nameval_accuracy, directionmax)
Trial 2 summary
Hyperparameters:
num_layers: 3
units_0: 416
activation: relu
dropout: True
lr: 0.0001324166048504802
units_1: 512
units_2: 32
Score: 0.9665500223636627
Trial 0 summary
Hyperparameters:
num_layers: 1
units_0: 128
activation: tanh
dropout: False
lr: 0.001425162921397599
Score: 0.9623999893665314
Trial 1 summary
Hyperparameters:
num_layers: 2
units_0: 512
activation: tanh
dropout: True
lr: 0.0010584293918512798
units_1: 32
Score: 0.9606499969959259
您可以在 my_dir/helloworld 文件夹即目录/项目名称中找到详细日志、检查点等信息。 您还可以使用 TensorBoard 和 HParams 插件直观地查看调整结果。
重新训练模型
如果您想用整个数据集来训练模型可以检索最佳超参数然后自己重新训练模型。
# Get the top 2 hyperparameters.
best_hps tuner.get_best_hyperparameters(5)
# Build the model with the best hp.
model build_model(best_hps[0])
# Fit with the entire dataset.
x_all np.concatenate((x_train, x_val))
y_all np.concatenate((y_train, y_val))
model.fit(xx_all, yy_all, epochs1)
1/1875 [37m━━━━━━━━━━━━━━━━━━━━ 17:57 575ms/step - accuracy: 0.1250 - loss: 2.3113
调整模型训练
为了调整模型构建过程我们需要对 HyperModel 类进行子类化这样也可以方便地共享和重用超模型。 我们需要重载 HyperModel.build() 和 HyperModel.fit()以分别调整模型构建和训练过程。HyperModel.build() 方法与模型构建函数相同使用超参数创建 Keras 模型并返回。 在 HyperModel.fit() 中你可以访问 HyperModel.build() 返回的模型、hp 和传给 search() 的所有参数。您需要训练模型并返回训练历史记录。 在下面的代码中我们将调整 model.fit() 中的 shuffle 参数。 一般情况下不需要调整epochs 的数量因为会向 model.fit() 传递一个内置回调以保存模型在验证_数据所评估的最佳epochs。
class MyHyperModel(keras_tuner.HyperModel):def build(self, hp):model keras.Sequential()model.add(layers.Flatten())model.add(layers.Dense(unitshp.Int(units, min_value32, max_value512, step32),activationrelu,))model.add(layers.Dense(10, activationsoftmax))model.compile(optimizeradam,losscategorical_crossentropy,metrics[accuracy],)return modeldef fit(self, hp, model, *args, **kwargs):return model.fit(*args,# Tune whether to shuffle the data in each epoch.shufflehp.Boolean(shuffle),**kwargs,)
调整数据预处理
要调整数据预处理我们只需在 HyperModel.fit() 中添加一个额外步骤从参数中访问数据集。在下面的代码中我们将调整是否在训练模型前对数据进行归一化处理。这次我们在函数签名中明确写入了 x 和 y因为我们需要使用它们。
class MyHyperModel(keras_tuner.HyperModel):def build(self, hp):model keras.Sequential()model.add(layers.Flatten())model.add(layers.Dense(unitshp.Int(units, min_value32, max_value512, step32),activationrelu,))model.add(layers.Dense(10, activationsoftmax))model.compile(optimizeradam,losscategorical_crossentropy,metrics[accuracy],)return modeldef fit(self, hp, model, x, y, **kwargs):if hp.Boolean(normalize):x layers.Normalization()(x)return model.fit(x,y,# Tune whether to shuffle the data in each epoch.shufflehp.Boolean(shuffle),**kwargs,)hp keras_tuner.HyperParameters()
hypermodel MyHyperModel()
model hypermodel.build(hp)
hypermodel.fit(hp, model, np.random.rand(100, 28, 28), np.random.rand(100, 10))
如果超参数在 build() 和 fit() 中同时使用可以在 build() 中定义它然后在 fit() 中使用 hp.get(hp_name) 获取它。我们以图像大小为例。它既在构建build中用作输入形状也在数据预处理步骤中用于在拟合fit中裁剪图像。
class MyHyperModel(keras_tuner.HyperModel):def build(self, hp):image_size hp.Int(image_size, 10, 28)inputs keras.Input(shape(image_size, image_size))outputs layers.Flatten()(inputs)outputs layers.Dense(unitshp.Int(units, min_value32, max_value512, step32),activationrelu,)(outputs)outputs layers.Dense(10, activationsoftmax)(outputs)model keras.Model(inputs, outputs)model.compile(optimizeradam,losscategorical_crossentropy,metrics[accuracy],)return modeldef fit(self, hp, model, x, y, validation_dataNone, **kwargs):if hp.Boolean(normalize):x layers.Normalization()(x)image_size hp.get(image_size)cropped_x x[:, :image_size, :image_size, :]if validation_data:x_val, y_val validation_datacropped_x_val x_val[:, :image_size, :image_size, :]validation_data (cropped_x_val, y_val)return model.fit(cropped_x,y,# Tune whether to shuffle the data in each epoch.shufflehp.Boolean(shuffle),validation_datavalidation_data,**kwargs,)tuner keras_tuner.RandomSearch(MyHyperModel(),objectiveval_accuracy,max_trials3,overwriteTrue,directorymy_dir,project_nametune_hypermodel,
)tuner.search(x_train, y_train, epochs2, validation_data(x_val, y_val))
Trial 3 Complete [00h 00m 04s]
val_accuracy: 0.9567000269889832Best val_accuracy So Far: 0.9685999751091003
Total elapsed time: 00h 00m 13s
重新训练模型
使用 HyperModel 还可以自行重新训练最佳模型。
hypermodel MyHyperModel()
best_hp tuner.get_best_hyperparameters()[0]
model hypermodel.build(best_hp)
hypermodel.fit(best_hp, model, x_all, y_all, epochs1)
指定调整目标
在之前的所有示例中我们都使用了验证准确率val_accuracy作为调整目标来选择最佳模型。实际上你可以使用任何指标作为目标。最常用的指标是 val_loss即验证损失。
以内置指标为目标
Keras 中还有许多其他内置指标可以用作目标。以下是内置指标列表。 要使用内置指标作为目标需要遵循以下步骤 使用内置指标编译模型。例如您想使用 MeanAbsoluteError()。您需要使用 metrics[MeanAbsoluteError()]编译模型。您也可以使用其名称字符串来代替metrics[mean_absolute_error]。度量的名称字符串总是类名的蛇形字符串。 确定目标名称字符串。目标名称字符串的格式总是 f val_{metric_name_string}。例如在验证数据上评估均方误差的目标名称字符串应为 val_mean_absolute_error。 将其封装到 keras_tuner.Objective 中。我们通常需要将目标封装到 keras_tuner.Objective 对象中以指定优化目标的方向。例如我们要最小化均方误差可以使用 keras_tuner.Objective(val_mean_absolute_error, min)。方向应为 min 或 max。 将封装好的目标传递给调谐器。 请看下面的代码示例。
def build_regressor(hp):model keras.Sequential([layers.Dense(unitshp.Int(units, 32, 128, 32), activationrelu),layers.Dense(units1),])model.compile(optimizeradam,lossmean_squared_error,# Objective is one of the metrics.metrics[keras.metrics.MeanAbsoluteError()],)return modeltuner keras_tuner.RandomSearch(hypermodelbuild_regressor,# The objective name and direction.# Name is the fval_{snake_case_metric_class_name}.objectivekeras_tuner.Objective(val_mean_absolute_error, directionmin),max_trials3,overwriteTrue,directorymy_dir,project_namebuilt_in_metrics,
)tuner.search(xnp.random.rand(100, 10),ynp.random.rand(100, 1),validation_data(np.random.rand(20, 10), np.random.rand(20, 1)),
)tuner.results_summary()
以自定义指标为目标
您可以实现自己的度量标准并将其作为超参数搜索目标。这里我们以均方误差MSE为例。首先我们通过子类化 keras.metrics.Metric 来实现 MSE 指标。记住使用 super().__init__() 的 name 参数为度量器命名稍后会用到。注意MSE 实际上是一个内置度量可以通过 keras.metrics.MeanSquaredError 导入。这只是一个示例说明如何使用自定义度量作为超参数搜索目标。
from keras import opsclass CustomMetric(keras.metrics.Metric):def __init__(self, **kwargs):# Specify the name of the metric as custom_metric.super().__init__(namecustom_metric, **kwargs)self.sum self.add_weight(namesum, initializerzeros)self.count self.add_weight(namecount, dtypeint32, initializerzeros)def update_state(self, y_true, y_pred, sample_weightNone):values ops.square(y_true - y_pred)count ops.shape(y_true)[0]if sample_weight is not None:sample_weight ops.cast(sample_weight, self.dtype)values * sample_weightcount * sample_weightself.sum.assign_add(ops.sum(values))self.count.assign_add(count)def result(self):return self.sum / ops.cast(self.count, float32)def reset_states(self):self.sum.assign(0)self.count.assign(0)
使用自定义目标运行搜索。
def build_regressor(hp):model keras.Sequential([layers.Dense(unitshp.Int(units, 32, 128, 32), activationrelu),layers.Dense(units1),])model.compile(optimizeradam,lossmean_squared_error,# Put custom metric into the metrics.metrics[CustomMetric()],)return modeltuner keras_tuner.RandomSearch(hypermodelbuild_regressor,# Specify the name and direction of the objective.objectivekeras_tuner.Objective(val_custom_metric, directionmin),max_trials3,overwriteTrue,directorymy_dir,project_namecustom_metrics,
)tuner.search(xnp.random.rand(100, 10),ynp.random.rand(100, 1),validation_data(np.random.rand(20, 10), np.random.rand(20, 1)),
)tuner.results_summary()
如果您的自定义目标难以纳入自定义指标也可以在 HyperModel.fit() 中自行评估模型并返回目标值。默认情况下目标值会最小化。在这种情况下您无需在初始化调整器时指定目标值。不过在这种情况下Keras 日志中不会跟踪度量值而只会跟踪 KerasTuner 日志。因此使用 Keras 指标的任何 TensorBoard 视图都不会显示这些值。
class HyperRegressor(keras_tuner.HyperModel):def build(self, hp):model keras.Sequential([layers.Dense(unitshp.Int(units, 32, 128, 32), activationrelu),layers.Dense(units1),])model.compile(optimizeradam,lossmean_squared_error,)return modeldef fit(self, hp, model, x, y, validation_data, **kwargs):model.fit(x, y, **kwargs)x_val, y_val validation_datay_pred model.predict(x_val)# Return a single float to minimize.return np.mean(np.abs(y_pred - y_val))tuner keras_tuner.RandomSearch(hypermodelHyperRegressor(),# No objective to specify.# Objective is the return value of HyperModel.fit().max_trials3,overwriteTrue,directorymy_dir,project_namecustom_eval,
)
tuner.search(xnp.random.rand(100, 10),ynp.random.rand(100, 1),validation_data(np.random.rand(20, 10), np.random.rand(20, 1)),
)tuner.results_summary()
如果要在 KerasTuner 中跟踪多个度量指标但只将其中一个作为目标则可以返回一个字典字典的键是度量指标名称值是度量指标值例如返回 {metric_a1.0, metric_b, 2.0}。使用其中一个键作为目标名称例如keras_tuner.Objective(metric_a, min)。
class HyperRegressor(keras_tuner.HyperModel):def build(self, hp):model keras.Sequential([layers.Dense(unitshp.Int(units, 32, 128, 32), activationrelu),layers.Dense(units1),])model.compile(optimizeradam,lossmean_squared_error,)return modeldef fit(self, hp, model, x, y, validation_data, **kwargs):model.fit(x, y, **kwargs)x_val, y_val validation_datay_pred model.predict(x_val)# Return a dictionary of metrics for KerasTuner to track.return {metric_a: -np.mean(np.abs(y_pred - y_val)),metric_b: np.mean(np.square(y_pred - y_val)),}tuner keras_tuner.RandomSearch(hypermodelHyperRegressor(),# Objective is one of the keys.# Maximize the negative MAE, equivalent to minimize MAE.objectivekeras_tuner.Objective(metric_a, max),max_trials3,overwriteTrue,directorymy_dir,project_namecustom_eval_dict,
)
tuner.search(xnp.random.rand(100, 10),ynp.random.rand(100, 1),validation_data(np.random.rand(20, 10), np.random.rand(20, 1)),
)tuner.results_summary()
调整端到端工作流程
在某些情况下很难将代码整合到构建和匹配函数中。您还可以通过覆盖 Tuner.run_trial()将端到端的工作流程集中在一处从而完全控制试验。你可以把它看作是一个黑盒优化器可以优化任何事情。调整任何函数 例如你可以找到一个 x 值使 f(x)x*x1 最小化。在下面的代码中我们只需将 x 定义为超参数并返回 f(x) 作为目标值。用于初始化调整器的超模型和目标参数可以省略。
class MyTuner(keras_tuner.RandomSearch):def run_trial(self, trial, *args, **kwargs):# Get the hp from trial.hp trial.hyperparameters# Define x as a hyperparameter.x hp.Float(x, min_value-1.0, max_value1.0)# Return the objective value to minimize.return x * x 1tuner MyTuner(# No hypermodel or objective specified.max_trials20,overwriteTrue,directorymy_dir,project_nametune_anything,
)# No need to pass anything to search()
# unless you use them in run_trial().
tuner.search()
print(tuner.get_best_hyperparameters()[0].get(x))
将 Keras 代码分开
您可以保持所有 Keras 代码不变然后使用 KerasTuner 对其进行调整。如果您由于某些原因无法修改 Keras 代码它将非常有用。 它还能为您提供更多灵活性。您不必将模型构建和训练代码分开。不过这种工作流程无法帮助你保存模型或连接 TensorBoard 插件。 要保存模型可以使用 trial.trial_id一个唯一标识试验的字符串来构建不同路径以保存不同试验的模型。
import osdef keras_code(units, optimizer, saving_path):# Build modelmodel keras.Sequential([layers.Dense(unitsunits, activationrelu),layers.Dense(units1),])model.compile(optimizeroptimizer,lossmean_squared_error,)# Prepare datax_train np.random.rand(100, 10)y_train np.random.rand(100, 1)x_val np.random.rand(20, 10)y_val np.random.rand(20, 1)# Train eval modelmodel.fit(x_train, y_train)# Save modelmodel.save(saving_path)# Return a single float as the objective value.# You may also return a dictionary# of {metric_name: metric_value}.y_pred model.predict(x_val)return np.mean(np.abs(y_pred - y_val))class MyTuner(keras_tuner.RandomSearch):def run_trial(self, trial, **kwargs):hp trial.hyperparametersreturn keras_code(unitshp.Int(units, 32, 128, 32),optimizerhp.Choice(optimizer, [adam, adadelta]),saving_pathos.path.join(/tmp, f{trial.trial_id}.keras),)tuner MyTuner(max_trials3,overwriteTrue,directorymy_dir,project_namekeep_code_separate,
)
tuner.search()
# Retraining the model
best_hp tuner.get_best_hyperparameters()[0]
keras_code(**best_hp.values, saving_path/tmp/best_model.keras)
KerasTuner 包括预制的可调整应用程序HyperResNet 和 HyperXception
这些都是随时可用的计算机视觉超模型。
from keras_tuner.applications import HyperResNethypermodel HyperResNet(input_shape(28, 28, 1), classes10)tuner keras_tuner.RandomSearch(hypermodel,objectiveval_accuracy,max_trials2,overwriteTrue,directorymy_dir,project_namebuilt_in_hypermodel,
)
