这是我的第262篇原创文章。
一、引言
在深度学习中，超参数是指在训练模型时需要手动设置的参数，它们通常不能通过训练数据自动学习得到。超参数的选择对于模型的性能至关重要，因此在进行深度学习实验时，超参数调优通常是一个重要的步骤。常见的超参数包括：
-
model.add()
-
neurons（隐含层神经元数量）
-
init_mode（初始权重方法）
-
activation（激活函数）
-
dropout（丢弃率）
-
-
model.compile()
-
loss（损失函数）
-
optimizer（优化器）
-
learning rate（学习率）
-
momentum（动量）
-
weight decay（权重衰减系数）
-
-
-
model.fit()
-
batch size（批量大小）
-
epochs（迭代次数）
-
一般来说，可以通过手动调优、网格搜索（Grid Search）、随机搜索（Random Search）、自动调参算法方式进行超参数调优，本文采用网格搜索选择神经网络权重初始化方法。
二、实现过程
2.1 准备数据
dataset：
dataset = pd.read_csv("data.csv", header=None)
dataset = pd.DataFrame(dataset)
print(dataset)
2.2 数据划分
# 切分数据为输入 X 和输出 Y
X = dataset.iloc[:,0:8]
Y = dataset.iloc[:,8]
# 为了复现，设置随机种子
seed = 7
np.random.seed(seed)
random.set_seed(seed)2.3 创建模型
需要定义个网格的架构函数create_model，create_model里面的参数要在KerasClassifier这个对象里面存在而且参数名要一致。
def create_model(neurons_1):
# 创建模型
model = Sequential()
model.add(Dense(neurons_1, input_shape=(8, ), kernel_initializer='uniform', activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(1, kernel_initializer='uniform', activation='sigmoid'))
# 编译模型
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
return model
model = KerasClassifier(model=create_model, epochs=100, batch_size=80, verbose=0, init_mode='uniform')
这里使用了scikeras库的KerasClassifier类来定义一个分类器，这里由于KerasClassifier没有定义初始化权重的参数，需要自定义一个表示初始化权重的参数init_mode，并赋默认值为'uniform'。
2.4 定义网格搜索参数
param_grid = {'init_mode': ['uniform', 'lecun_uniform', 'normal', 'zero', 'glorot_normal','glorot_uniform', 'he_normal', 'he_uniform']}param_grid是一个字典，key是超参数名称，这里的名称必须要在KerasClassifier这个对象里面存在而且参数名要一致。value是key可取的值，也就是要尝试的方案。
2.5 进行参数搜索
from sklearn.model_selection import GridSearchCV
grid = GridSearchCV(estimator=model, param_grid=param_grid)
grid_result = grid.fit(X, Y)使用sklearn里面的GridSearchCV类进行参数搜索，传入模型和网格参数。
2.6 总结搜索结果
print("Best: %f using %s" % (grid_result.best_score_, grid_result.best_params_))
means = grid_result.cv_results_['mean_test_score']
stds = grid_result.cv_results_['std_test_score']
params = grid_result.cv_results_['params']
for mean, stdev, param in zip(means, stds, params):
print("%f (%f) with: %r" % (mean, stdev, param))结果：
经过网格搜索，各层权重初始化最优的方法是normal。
作者简介：
读研期间发表6篇SCI数据挖掘相关论文，现在某研究院从事数据算法相关科研工作，结合自身科研实践经历不定期分享关于Python、机器学习、深度学习、人工智能系列基础知识与应用案例。致力于只做原创，以最简单的方式理解和学习，关注我一起交流成长。需要数据集和源码的小伙伴可以关注底部公众号添加作者微信。
