keras模型的超参数优化：GridSearchCV还是talos？

Question

我想调整keras模型的超参数，我正在探索手头上的替代方案。第一个也是最明显的一个是使用scikit-learn包装器，如这里所示（https://keras.io/scikit-learn-api/），因此能够使用scikit-learn工作流中所有难以置信的东西，但我在这里也遇到了这个包（https://github.com/autonomio/talos），它看起来很有前途，而且很可能提供了一个速度提升。在

如果有人同时使用它们，有人能告诉我更好的解决方案（灵活性、速度、功能）？带有pipeline和定制估计器的sklearn工作流提供了一个灵活的世界，但是talos似乎更直接地面向keras，因此它必须产生一些我看不到的优势（我想他们不会做出新的独立包），这是我看不到的（这里突出显示了一些好处https://github.com/autonomio/talos/blob/master/docs/roadmap.rst），但是这些东西似乎已经在scikit-learn框架中得到了充分的涵盖）

有什么见解吗？在

Answer 1

个人意见：

• 对于深度学习来说，训练/有效/测试分割比交叉验证更好。（k培训成本太高）

• 随机搜索是开始探索超参数的一个很好的方法，所以你自己编写代码并不难，但是talos或hyperas（非常有名）可能会有所帮助。