KerasTuner

KerasTuner 是一个易于使用、可扩展的超参数优化框架，旨在解决超参数搜索中的痛点。您可以使用“边运行边定义”的语法轻松配置搜索空间，然后利用内置的搜索算法为您的模型找到最佳的超参数值。KerasTuner 内置了贝叶斯优化、Hyperband 和随机搜索等算法，并且设计得便于研究人员扩展，以尝试新的搜索算法。

官方网站：https://keras.io/keras_tuner/

快速链接

• KerasTuner 入门指南
• KerasTuner 开发者指南
• KerasTuner API 参考

安装

KerasTuner 需要 Python 3.8+ 和 TensorFlow 2.0+。

安装最新版本：

pip install keras-tuner

您也可以在我们的 GitHub 仓库 中查看其他版本。

快速入门

导入 KerasTuner 和 TensorFlow：

import keras_tuner
from tensorflow import keras

编写一个创建并返回 Keras 模型的函数。在模型创建过程中，使用 hp 参数来定义超参数。

def build_model(hp):
  model = keras.Sequential()
  model.add(keras.layers.Dense(
      hp.Choice('units', [8, 16, 32]),
      activation='relu'))
  model.add(keras.layers.Dense(1, activation='relu'))
  model.compile(loss='mse')
  return model

初始化一个调优器（这里使用 RandomSearch）。我们通过 objective 指定用于选择最佳模型的目标，并通过 max_trials 指定要尝试的不同模型数量。

tuner = keras_tuner.RandomSearch(
    build_model,
    objective='val_loss',
    max_trials=5)

开始搜索并获取最佳模型：

tuner.search(x_train, y_train, epochs=5, validation_data=(x_val, y_val))
best_model = tuner.get_best_models()[0]

如需了解更多关于 KerasTuner 的信息，请参阅 这篇入门指南。

贡献指南

请参阅 CONTRIBUTING.md 以获取贡献指南。

感谢所有贡献者！

社区

您可以在我们的 GitHub Discussions 上提出问题。

引用 KerasTuner

如果 KerasTuner 对您的研究有所帮助，我们非常感谢您的引用。以下是 BibTeX 条目：

@misc{omalley2019kerastuner,
	title        = {KerasTuner},
	author       = {O'Malley, Tom and Bursztein, Elie and Long, James and Chollet, Fran\c{c}ois and Jin, Haifeng and Invernizzi, Luca and others},
	year         = 2019,
	howpublished = {\url{https://github.com/keras-team/keras-tuner}}
}

KerasTuner 快速上手指南

KerasTuner 是一个易用且可扩展的超参数优化框架，旨在解决模型调参痛点。它支持“定义即运行”的语法来配置搜索空间，并内置了贝叶斯优化、Hyperband 和随机搜索等算法，帮助开发者快速找到模型的最佳超参数组合。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• Python 版本：3.8 或更高版本
• 深度学习框架：TensorFlow 2.0 或更高版本

安装步骤

您可以使用 pip 直接安装最新稳定版。国内用户推荐使用清华或阿里镜像源以加速下载。

标准安装：

pip install keras-tuner

使用国内镜像源加速安装（推荐）：

pip install keras-tuner -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

以下是使用 KerasTuner 进行随机搜索（Random Search）的最简流程：

1. 导入依赖

import keras_tuner
from tensorflow import keras

2. 构建模型函数

编写一个返回 Keras 模型的函数。利用 hp 参数在模型构建过程中定义超参数搜索空间（例如选择神经元数量）。

def build_model(hp):
  model = keras.Sequential()
  model.add(keras.layers.Dense(
      hp.Choice('units', [8, 16, 32]),
      activation='relu'))
  model.add(keras.layers.Dense(1, activation='relu'))
  model.compile(loss='mse')
  return model

3. 初始化 Tuner

实例化一个搜索器（此处使用 RandomSearch）。

• objective: 指定优化目标（如验证集损失 val_loss）。
• max_trials: 指定尝试的不同模型组合总数。

tuner = keras_tuner.RandomSearch(
    build_model,
    objective='val_loss',
    max_trials=5)

4. 开始搜索并获取最佳模型

调用 search 方法启动超参数搜索，完成后提取表现最好的模型。

tuner.search(x_train, y_train, epochs=5, validation_data=(x_val, y_val))
best_model = tuner.get_best_models()[0]

现在，best_model 即为经过超参数优化后的最佳模型，可直接用于评估或预测。