Keras Talos和flow_目录下图像的超参数优化

我试图优化我的keras CNN用于图像分类的超参数。我考虑使用SkEulk和TalOS优化器（）的网格搜索。我克服了从flow_目录（下面的代码）导出x和y的基本困难，但是。。。还是不行！有什么想法吗？也许有人也面临同样的问题

def talos_模型（序列流、验证流、nb_序列样本、nb_验证样本、参数）：
模型=顺序（）
添加（Conv2D（6，（5,5），activation=“relu”，padding=“same”，
输入_形状=（img_宽度，img_高度，3）））
model.add（MaxPooling2D（（2,2）））
model.add（Dropout（参数['Dropout']））
添加（Conv2D（16，（5,5），activation=“relu”））
model.add（MaxPooling2D（（2,2）））
model.add（Dropout（参数['Dropout']））
model.add（展平（））
添加（密集（120，activation='relu'，kernel\u initializer=params['kernel\u initializer']））
model.add（Dropout（参数['Dropout']））
添加（密集（84，activation='relu'，kernel\u initializer=params['kernel\u initializer']））
model.add（Dropout（参数['Dropout']））
model.add（密集型（10，activation='softmax'））
compile（loss=params['loss']，
优化器=参数['optimizer']，
指标=[“分类精度”]）
checkpointer=ModelCheckpoint（filepath='talos_cnn.h5py'，
monitor='val\u Category\u Accurance'，save\u best\u only=True）
历史=型号。安装发电机（发电机=列车流量，
每个历元的样本数=nb列样本数，
验证\数据=验证\流程，
nb_val_样本=nb_验证_样本，
回调=[checkpointer]，
verbose=1，
epochs=params['epochs']）
返回历史、模型
序列生成器=图像数据生成器（重缩放=1/255）
验证\u生成器=图像数据生成器（重缩放=1/255）
#为训练集和验证集检索图像及其类
列车流量=列车生成器。来自列车目录的流量（目录=列车数据目录，
批次大小=批次大小，
目标尺寸（img_高度、img_宽度））
验证\u流=验证\u生成器。来自\u目录的流（目录=验证\u数据\u目录，
批次大小=批次大小，
目标尺寸=（图像高度、图像宽度），
洗牌（错误）
#这里我为塔罗斯做x和y
（X_列车，Y_列车）=列车流量。下一个（）
#开始用塔罗斯做实验
t=ta.扫描（x=x_列，
y=y_列车，
模型=塔洛斯模型，
params=params，
数据集\u name='landmarks'，
实验（1号）

最后一行出现错误：

---

包含多个元素的数组的真值不明确。使用a.any（）或a.all（）

你能把你遇到的错误加在你的问题上吗？我在最后一行写道。