Python 3.x 调整超参数Keras用于图像分类

我是否可以使用GridSearch或RandomizedSearch来调整keras模型中的超参数以进行图像分类？我想根据猫和狗的数据集对猫和狗进行分类

class smallervggnet:
    @staticmethod
    def build(width, height, depth, classes, finalAct="softmax"):
        # initialize the model along with the input shape to be
        # "channels last" and the channels dimension itself
        model = Sequential()
        inputShape = (height, width, depth)
        chanDim = -1



        # if we are using "channels first", update the input shape
        # and channels dimension
        if K.image_data_format() == "channels_first":
            inputShape = (depth, height, width)
            chanDim = 1

        # CONV => RELU => POOL
        model.add(Conv2D(32, (3, 3), padding="same",
            input_shape=inputShape))
        model.add(Activation("relu"))
        model.add(BatchNormalization(axis=chanDim))
        model.add(MaxPooling2D(pool_size=(3, 3)))
        model.add(Dropout(0.25))

        # (CONV => RELU) * 2 => POOL
        model.add(Conv2D(64, (3, 3), padding="same"))
        model.add(Activation("relu"))
        model.add(BatchNormalization(axis=chanDim))
        model.add(Conv2D(64, (3, 3), padding="same"))
        model.add(Activation("relu"))
        model.add(BatchNormalization(axis=chanDim))
        model.add(MaxPooling2D(pool_size=(2, 2)))
        model.add(Dropout(0.25))

        # (CONV => RELU) * 2 => POOL
        model.add(Conv2D(128, (3, 3), padding="same"))
        model.add(Activation("relu"))
        model.add(BatchNormalization(axis=chanDim))
        model.add(Conv2D(128, (3, 3), padding="same"))
        model.add(Activation("relu"))
        model.add(BatchNormalization(axis=chanDim))
        model.add(MaxPooling2D(pool_size=(2, 2)))
        model.add(Dropout(0.25))

        # first (and only) set of FC => RELU layers
        model.add(Flatten())
        model.add(Dense(1024))
        model.add(Activation("relu"))
        model.add(BatchNormalization())
        model.add(Dropout(0.5))

        # softmax classifier
        model.add(Dense(classes))
        model.add(Activation(finalAct))

        # return the constructed network architecture
        return model

我想要调整的是卷积层或调整池层中的神经元

param_grid = {'neurons':[4, 8, 16, 32, 64],
     'pooling': ['MaxPooling2D', 'AveragePooling2D', 'GlobalMaxPooling2D', 'GlobalAveragePooling2D']
     }

---

其中参数网格应放入网格搜索或随机搜索中。我该怎么办？

是的，这是可能的。 方法是使用sci工具包学习中的KerasClassifier

clf = KerasBatchClassifier(build_fn=create_model, epochs=epochs, shuffle=True)
grid = GridSearchCV(estimator=clf, param_grid=parameters,return_train_score=False)
grid_result = grid.fit(X,y)
print(grid_result.best_score_)
print(grid_result.best_params_)

create_model是构建函数，它接受参数

你应该考虑一些事情：

• 您没有在每个历元之后进行验证，也没有提前停止
• 使用10倍交叉验证（cv参数），非常耗时
• 不能很好地与发电机配合使用

---

为了解决这些问题，您可以尝试定制KerasClassifier的实现，我也这样做了。在我的方法中，我只做了3次交叉验证。我使用了20%的训练数据来利用早期停止，并将其用于处理发电机

我已经尝试过使用与您提到的相同的查询，但它不起作用。因为我的X.shape是（80,96,96,3），Y.shape是（80,2），这是我使用MultiLabelBinarizer执行的标签数据集。