开始使用免费开始使用

为调参准备模型

让我们为一个表现良好的二分类模型调节超参数，数据集为乳腺癌数据集。

您已经看到，将模型转换为 sklearn 估计器的第一步是编写一个用于创建模型的函数。这个函数的定义很关键，因为超参数调优是通过改变该函数接收的参数来完成的。

请编写一个简单的 create_model() 函数，使其同时接收学习率和激活函数作为参数。Adam 优化器已经作为对象从 tensorflow.keras.optimizers 导入，您也可以修改其中的学习率参数。

本练习是课程的一部分

Keras 深度学习入门

查看课程

练习说明

  • 将 Adam 优化器对象的学习率设置为传入参数的值。
  • 将隐藏层的激活函数设置为传入参数的值。
  • 在 .compile() 方法中传入该优化器和二元交叉熵损失。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Creates a model given an activation and learning rate
def create_model(learning_rate, activation):
  
  	# Create an Adam optimizer with the given learning rate
  	opt = Adam(lr = ____)
  	
  	# Create your binary classification model  
  	model = Sequential()
  	model.add(Dense(128, input_shape = (30,), activation = ____))
  	model.add(Dense(256, activation = ____))
  	model.add(Dense(1, activation = 'sigmoid'))
  	
  	# Compile your model with your optimizer, loss, and metrics
  	model.compile(optimizer = ____, loss = ____, metrics = ['accuracy'])
  	return model
编辑并运行代码