如何评估keras调谐器的模型性能。

Question

我目前正在尝试通过在每个时期显示Val_mse来可视化我的预测模型的性能。用于model.fit（）用于tuner.search（）的代码不起作用。谁能为我提供一些指南。谢谢。

上一个代码：

import matplotlib.pyplot as plt

def plot_model(history):
    hist = pd.DataFrame (history.history)
    hist['epoch'] = history.epoch
    
    plt.figure()
    plt.xlabel('Epoch')
    plt.ylabel('Mean Absolute Error')
    plt.plot(hist['epoch'], hist['mae'],
           label='Train Error')
    plt.plot(hist['epoch'], hist['val_mae'],
           label = 'Val Error')
    plt.legend()
    plt.ylim([0,20])
    plt.figure()
    plt.xlabel('Epoch')
    plt.ylabel('Mean Square Error')
    plt.plot (hist['epoch'], hist['mse'],
           label='Train Error')
    plt.plot (hist['epoch'], hist['val_mse'],
           label = 'Val Error')
    plt.legend()
    plt.ylim([0,400])
    
plot_model(history)

keras.tuner代码：

history = tuner.search(x = normed_train_data,
             y = y_train,
             epochs = 200,
             batch_size=64,
             validation_data=(normed_test_data, y_test),
             callbacks = [early_stopping])

Answer 1

Keras Tuner无法正常工作！

使用张量板回调，还有更多的“ kerastuner” - 友好的方式来可视化训练曲线。

这样定义张板回调。

tensorboard_callback = keras.callbacks.TensorBoard("/content/tb_logs") # The logs will be written to "/content/tb_logs".

修改您的tuner.search（）方法。

tuner.search(
    x = normed_train_data,
    y = y_train,
    epochs = 200,
    batch_size=64,
    validation_data=(normed_test_data, y_test),
    callbacks = [early_stopping, tensorboard_callback]
)

用于在Python笔记本（.IPYNB）中运行此操作。

%load_ext tensorboard
%tensorboard --logdir /content/tb_logs

有关更多信息，请访问： https：//keras.io/guides/guides/guides/keras_tuner/visal/visalize_tuning/

Answer 2

在使用tuner.search要搜索最佳模型之前，您需要安装和导入keras_tuner：

!pip install keras-tuner --upgrade
import keras_tuner as kt
from tensorflow import keras

然后，在模型定义中定义超参数（HP），例如：

def build_model(hp):
  model = keras.Sequential()
  model.add(keras.layers.Dense(
      hp.Choice('units', [8, 16, 32]),  # define the hyperparameter
      activation='relu'))
  model.add(keras.layers.Dense(1, activation='relu'))
  model.compile(loss='mse')
  return model

初始化调谐器：

tuner = kt.RandomSearch(build_model,objective='val_loss',max_trials=5)

现在，启动搜索并使用tuner.search获得最佳模型：

tuner.search(x = normed_train_data,
             y = y_train,
             epochs = 200,
             batch_size=64,
             validation_data=(normed_test_data, y_test),
             callbacks = [early_stopping])

best_model = tuner.get_best_models()[0]

因此，现在您可以使用此best_model来训练和评估模型您的数据集并将大大减少损失。

请检查此链接作为参考，以获取更多详细信息。