使用 keras 模型进行超参数优化：GridSearchCV 还是 talos？ [关闭]

Question

我想在 keras 模型上调整超参数，并且我正在探索我手头的替代方案。第一个也是最明显的一个是使用scikit-learn 包装器，如此处所示（https://keras.io/scikit-learn-api/），从而能够使用scikit-learn 工作流中的所有美妙的东西，但我也在这里遇到了这个包（https://github.com/autonomio/talos）看起来很有希望，而且很可能会提高速度。

如果有人同时使用它们，有人可以指出更好的解决方案（灵活性、速度、功能）吗？带有pipeline 和自定义估计器的sklearn 工作流提供了一个灵活的世界，但 talos 似乎更直接地面向 keras，因此它必须产生一些优势（否则我猜他们不会制作新的独立包）我不是能够看到（https://github.com/autonomio/talos/blob/master/docs/roadmap.rst 此处突出显示了一些好处，但 scikit-learn 框架内似乎充分涵盖了这些优点）

有什么见解吗？

Answer 1

个人意见：

• train/valid/test split 比交叉验证更适合深度学习。 （k次训练的成本太高了）

• 随机搜索是开始探索超参数的好方法，因此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。

  李>