Python 类型错误：can'；t pickle_thread.RLock对象，同时在RandomizedSearchCV上运行.fit（）

我正在尝试在RandomizedSearchCV上运行模型，以获得最佳的超参数

model = keras.models.Sequential([keras.layers.Dense(300, input_dim=7500, activation="relu"),
                                 keras.layers.Dense(300, activation = "relu", name = "Intermediate"),
                                 keras.layers.Dense(100, activation = "relu"),
                                 keras.layers.Dense(4, activation="softmax")])

keras_cls = keras.wrappers.scikit_learn.KerasClassifier(model)
    
    
param_distribs = {
    "n_hidden": [0, 1, 2, 3],
    "n_neurons": np.arange(1, 300),
    "learning_rate": 1e-3
}

rnd_search_cv = RandomizedSearchCV(keras_cls, param_distribs, n_iter=10, cv=3)
rnd_search_cv.fit(x_train, y_train, epochs=30,
                  validation_data=(x_test, y_test),
                  callbacks=[keras.callbacks.EarlyStopping(patience=10)])

在

rmd\u search\u cv.fit

我得到了错误

TypeError:cannotpickle\u thread.RLock对象

---

应该采取什么措施来纠正错误？

为什么您希望参数

n_hidden

和

n_neurons

可以通过CV进行调整？你的CV对象如何知道Keras模型的相应参数是什么，因为它的定义中没有这些参数？谢谢你的回答。我在KerasRegressionor中遇到了一个类似的实现，我想它是否可以用分类器来实现。我应该在代码中添加什么吗？如果你在Keras Regressionor中看到过，请发布链接。它在机器学习手册中。我找到了相关的github，它位于hyperparameter tuning部分。您可以看到，所有3个参数

n_hidden

，

n_Neuron

，以及

learning_rate

都是模型定义函数

build_fn

的一部分，这是在模型中使用sklearn包装器的推荐方法；这里的代码并非如此。那为什么不从那一点开始呢？（你会发现，你不能将架构视为超参数，但考虑到链接中的用法，你在这里所做的没有意义）。为什么你希望参数

n_hidden

和

n_neurons

可以通过CV进行调整？你的CV对象如何知道Keras模型的相应参数是什么，因为它的定义中没有这些参数？谢谢你的回答。我在KerasRegressionor中遇到了一个类似的实现，我想它是否可以用分类器来实现。我应该在代码中添加什么吗？如果你在Keras Regressionor中看到过，请发布链接。它在机器学习手册中。我找到了相关的github，它位于hyperparameter tuning部分。您可以看到，所有3个参数

n_hidden

，

n_Neuron

，以及

learning_rate

都是模型定义函数

build_fn

的一部分，这是在模型中使用sklearn包装器的推荐方法；这里的代码并非如此。那为什么不从那一点开始呢？（您将发现，您不能将体系结构视为超参数，但考虑到链接中的用法，您在这里所做的没有意义）。