Python 网格使用keras搜索隐藏层的数量

我正在尝试使用Keras和sklearn优化我的神经网络的超参数。 我正在使用KerasClassifier（这是一个分类问题）。 我试图优化隐藏层的数量。 我不知道如何使用keras（实际上我想知道如何设置函数create_model以最大化隐藏层的数量） 谁能帮帮我吗

我的代码（只是重要部分）：

---

如果要使隐藏层的数量成为超参数，则必须将其作为参数添加到

KerasClassifier

build\u fn

中，如：

def create_model(optimizer='adam', activation = 'sigmoid', hidden_layers=1):
  # Initialize the constructor
  model = Sequential()
  # Add an input layer
  model.add(Dense(5, activation=activation, input_shape=(5,)))

  for i in range(hidden_layers):
      # Add one hidden layer
      model.add(Dense(8, activation=activation))

  # Add an output layer 
  model.add(Dense(1, activation=activation))
  #compile model
  model.compile(loss='binary_crossentropy', optimizer=optimizer, metrics=
  ['accuracy'])
  return model

然后，您将能够通过将其添加到字典中来优化隐藏层的数量，字典将被传递到

RandomizedSearchCV

的

param_分布中

还有一件事，您可能应该将用于输出层的
激活
与其他层分开。
不同类别的激活函数适用于二元分类中使用的隐藏层和输出层。
Keras模型在这方面是静态的。您必须自己创建许多模型，看看哪一个性能更好。
def create_model(optimizer='adam', activation = 'sigmoid', hidden_layers=1):
  # Initialize the constructor
  model = Sequential()
  # Add an input layer
  model.add(Dense(5, activation=activation, input_shape=(5,)))

  for i in range(hidden_layers):
      # Add one hidden layer
      model.add(Dense(8, activation=activation))

  # Add an output layer 
  model.add(Dense(1, activation=activation))
  #compile model
  model.compile(loss='binary_crossentropy', optimizer=optimizer, metrics=
  ['accuracy'])
  return model