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
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。
相关问题 更多 >
编程相关推荐