使用keras的多输出数据（神经网络）的GridsearchCV超参数调整
我有一个数据，有两个输出变量和多个输入变量，我用神经网络建立模型，但现在我想做超参数调整 对于调优，我使用了网格搜索，我编写了网格搜索的代码，但在尝试grid.fit（X_train，Y_train）时出现错误错误是ValueError:Check model target时出错：传递给模型的Numpy数组列表不是模型预期的大小。预期会看到2个数组，但得到了以下1个数组的列表：[array（[[1.62970054,2.33817343]， 然后我制作了两个不同的数组，然后作为grid.fit（X_train[Y[0]，Y[1]）传入代码，因为有两个输出，现在它显示ValueError：找到了样本数不一致的输入变量：[10000，2]。是否有任何方法可以更正此代码，或者GridsearchCV不接受多个输出值？我使用keras函数API创建了keras模型，然后我通过KerasRegression，以便实现GridsearchCV。我被代码应该是什么所困扰，因此grid.fit（）将运行…或者是否有其他方法可用于超参数调整使用keras的多输出数据（神经网络）的GridsearchCV超参数调整,keras,neural-network,cross-validation,hyperparameters,gridsearchcv,Keras,Neural Network,Cross Validation,Hyperparameters,Gridsearchcv,我有一个数据，有两个输出变量和多个输入变量，我用神经网络建立模型，但现在我想做超参数调整 对于调优，我使用了网格搜索，我编写了网格搜索的代码，但在尝试grid.fit（X_train，Y_train）时出现错误错误是ValueError:Check model target时出错：传递给模型的Numpy数组列表不是模型预期的大小。预期会看到2个数组，但得到了以下1个数组的列表：[array（[[1.62970054,2.33817343]， 然后我制作了两个不同的数组，然后作为grid.fit（
def create_model（activation='relu'，dropout_rate=0.0，neurons=10，optimizer='Adam'，weight_constraint=0）：
main\u input=input（shape=（17），name='main\u input'）
隐藏=密集（神经元，激活=激活，name='hidden'，内核约束=最大范数（权重约束））（主输入）
隐藏=辍学（辍学率）（隐藏）
out1=密集（1，激活='线性'，名称='out1'）（隐藏）
out2=密集（1，激活='线性'，名称='out2'）（隐藏）
模型=模型（输入=主输入，输出=[out1，out2]）
compile（优化器=优化器，loss={'out1'：'mean_squared_error'，'out2'：'mean_squared_error'}）
回归模型
模型=KerasRegressor（构建=创建模型，批量大小=32，时代=100）
激活=['relu'，'tanh'，'sigmoid'，'linear']
辍学率=[0.0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9]
权重约束=[1,2,3,4,5]
神经元=[10,30,50,70,90]
优化器=['SGD'、'RMSprop'、'Adagrad'、'Adadelta'、'Adam']
时代=[5010015200]
批次大小=[10,20,30,40]
参数网格=dict（神经元=神经元，激活=激活，退出率=退出率，权重约束=权重约束，年代=年代，批次大小=批次大小，优化器=优化器）
grid=GridSearchCV（估计器=模型，参数网格=参数网格，n_作业=-1，cv=5）
网格结果=网格拟合（X\U序列，Y\U序列）