Python 使用Keras和Hyperas进行参数调整

我一直在使用一个名为Hyperas的Python库，它是一个hyperopt/keras包装器，用于调整keras模型中的参数。我的问题是关于Hyperas的输出

我已经阅读了文档和源代码，但似乎无法理解输出的含义或解释方式。完成优化后，它将打印以下行：

{'batch_size': 3, 'optimizer': 1, 'l2': 0.7446290506725413, 'output_dim': 3, 'output_dim_1': 0, 'l2_1': 0.12090219120950985}

为什么我的代码中只有一个output_dim参数，但output_dim却有两个字典值？我如何解释一切

def model(X_train, X_test, y_train, y_test, max_features, maxlen, class_weight_dict):
        model = Sequential()
        model.add(Embedding(max_features, output_dim = {{choice([32,64,128,256,512])}}, input_length=maxlen))
        model.add(LSTM({{choice([32,64,128,256,512])}},W_regularizer=l2({{uniform(0, 1)}})))
        model.add(Dropout({{uniform(0, 1)}}))
        model.add(Dense(138))
        model.add(Activation('softmax'))

        model.compile(loss='categorical_crossentropy',
                      optimizer={{choice(['rmsprop', 'adam', 'sgd'])}},
                      metrics=['accuracy'])

        early_stopping = EarlyStopping(monitor='val_loss', patience=4)
        checkpointer = ModelCheckpoint(filepath='keras_weights.hdf5',
                                       verbose=1,
                                       save_best_only=True)

        model.fit(X_train, y_train,
                  batch_size={{choice([32,16,64,128,256,512])}},
                  validation_data=(X_test, y_test),
                  nb_epoch=100,
                  class_weight=class_weight_dict,
                  callbacks=[early_stopping, checkpointer])

        score, acc = model.evaluate(X_test, y_test)
        print('Test score:', score)
        print('Test accuracy:', acc)
        return {'loss': -acc, 'status': STATUS_OK, 'model': model}

    if __name__ == '__main__':
        best_run, best_model = optim.minimize(model=model,
                                              data=data,
                                              algo=tpe.suggest,
                                              max_evals=10,
                                              trials=Trials())
        print(best_run)
        print(best_model)

---

这是因为您的参数没有命名，让我们看看这一行：

 model.add(LSTM({{choice([32,64,128,256,512])}},W_regularizer=l2({{uniform(0, 1)}})))

由于此

选项

未命名-

hyperas

正在扫描函数定义并查找参数名称。由于未命名-它为先前命名的参数赋值，该参数为

output\u 1

。要跳过该步骤，请尝试：

model.add(LSTM(units={{choice([32,64,128,256,512])}},...)

对辍学率也做类似的事情：

model.add(Dropout(rate=..))

---

令人惊叹的。例如，对于输出（{'batch_size'：3，'optimizer'：1}），数字是否表示每个参数的最佳参数的索引？例如，对于批量大小，我将使用第3位的大小？右：）该值是最佳参数的索引。我发现

hyperas

无法标记某些参数。例如，我从

x=Bidirectional（LSTM（50，return_sequences=True，dropout={uniform（0，0.2）}中得到
{dropout:0.19540010347590975，'dropout_1'：0.1673333369423164}