这是我的第297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（迭代周期数）

      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在深度学习中，Epoch（周期）和 Batch Size（批大小）是训练神经网络时经常使用的两个重要的超参数。

• Epoch（周期）：一个Epoch就是将所有训练样本训练一次的过程。然而，当一个Epoch的样本（也就是所有的训练样本）数量可能太过庞大（对于计算机而言），就需要把它分成多个小块，也就是就是分成多个Batch 来进行训练。

• Batch（批 / 一批样本）：将整个训练样本分成若干个Batch。

• Batch_Size（批大小）：每批样本的大小。即1次迭代所使用的样本量。

• Iteration（一次迭代）：训练一个Batch就是一次Iteration（这个概念跟程序语言中的迭代器相似）每次迭代更新1次网络结构的参数

• step（一步）：训练一个样本就是一个step。

       比如我有1000个训练样本，bachsize设置为10，则数据分成了100个batch，所有训练样本训练一次即一个epoch需要100个iteration，训练一个batch就是一次iteration。本文采用网格搜索选择Epoch和Batch_size。

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():
    # 创建模型
    model = Sequential()
    model.add(Dense(50, input_shape=(8, ), kernel_initializer='uniform', activation='relu'))
    model.add(Dropout(0.05))
    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)

这里使用了scikeras库的KerasClassifier类来定义一个分类器，这里由于KerasClassifier有批量大小、迭代次数的参数，不需要自定义表示。

2.4 定义网格搜索参数

param_grid = {'batch_size': [20, 40], 'epochs': [10, 50]}

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，批量大小的最优选择是20，迭代次数最优选择是50。

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。