使用GridSearchCV对Keras进行超参数搜索
当我们使用神经网络进行分类任务时,通常需要对其进行训练和优化。其中一个最重要的步骤是调整超参数,例如学习率、批尺寸和隐藏层大小等。在Keras中,我们可以使用GridSearchCV来自动搜索并选择最佳超参数组合。
首先,我们需要导入所需的库:
import numpy as np
from keras.models import Sequential
from keras.layers import Dense
from sklearn.model_selection import GridSearchCV
from keras.wrappers.scikit_learn import KerasClassifier
接下来,我们定义一个函数来创建我们的神经网络模型:
def create_model(optimizer='adam', init='glorot_uniform'):
model = Sequential()
model.add(Dense(12, input_dim=8, kernel_initializer=init, activation='relu'))
model.add(Dense(8, kernel_initializer=init, activation='relu'))
model.add(Dense(1