将 tf keras 模型转换为 scikit MLP NN

Question

我正在尝试使用 tensorflow 和 keras 训练 NLTK 分类器模型，有人知道这是否可以使用 sklearn 神经工作 MLP 分类器重新创建吗？对于我使用 ML 的目的，我认为我不需要 tensorflow，而是需要更简单、更易于安装/部署的东西。

这里没有太多关于机器学习的智慧，任何技巧都非常感谢，即使描述了这个深度学习 tensorflow keras 模型也非常感谢。

所以我的 tf keras 模型架构如下所示：

training = []

random.shuffle(training)
training = np.array(training)

# create train and test lists. X - patterns, Y - intents
train_x = list(training[:,0])
train_y = list(training[:,1])

# Create model - 3 layers. First layer 128 neurons, second layer 64 neurons and 3rd output layer contains number of neurons
# equal to number of intents to predict output intent with softmax
model = Sequential()
model.add(Dense(128, input_shape=(len(train_x[0]),), activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(len(train_y[0]), activation='softmax'))

# Compile model. Stochastic gradient descent with Nesterov accelerated gradient gives good results for this model
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])

# Fit the model
model.fit(np.array(train_x), np.array(train_y), epochs=200, batch_size=5, verbose=1)

那么sklearn neural network，我在下面这个问题上完全正确吗？有人可以帮我理解什么是 tensorflow 模型架构，什么是 sklearn 无法复制的。我有点理解 tensorflow 可能比更简单的 sklearn 更强大。

#Importing MLPClassifier
from sklearn.neural_network import MLPClassifier


model = MLPClassifier(hidden_layer_sizes=(128,64),activation ='relu',solver='sgd',random_state=1)

Answer 1

只需 google 将 keras 模型转换为 pytorch，那里有相当多的教程......它看起来并不容易，但也许值得为你需要的任何东西付出努力......

仅使用 sklearn MLP 神经网络就可以走这条路我可以使用 sklearn 获得足够好的结果...而无需正确安装 tensorflow。

此外，在云 linux 实例上，tensorflow 需要比免费帐户在 pythonanywhere.com 上更多的内存和存储空间，但免费帐户似乎与 sklearn 一样好

无论出于何种原因尝试使用 sklearn MLP NN 时，只要将架构保留为默认设置并调整学习率，就会获得更好的结果。

from sklearn.neural_network import MLPClassifier

model = MLPClassifier(learning_rate_init=0.0001,max_iter=9000,shuffle=True).fit(train_x, train_y)