在神经网络中寻找最佳学习率和时期

Question

我创建了一个单层神经网络，它有两个输出（每个类一个，0 或 1），并使用 sigmoid 方法和 SGD 优化器进行训练。 我还训练了没有任何隐藏层的神经网络。 此外，我已经使用带有 4 个分割的 StratifiedKFold 验证了模型的性能。 训练的模型设计为 lr=0.1 和 epochs=150，但是，我不知道这些值是否正在优化模型。 出于这个原因，我想运行 20 种学习率参数和时期的组合，以查看最准确的结果，以及我正在获得这些参数的哪种组合。 在限制之下：

• epochs：10 到 150 之间的值
• 学习率：0.01 到 1 之间的值

请看下面的代码：

from sklearn.model_selection import StratifiedKFold
from keras.models import Sequential
from keras.layers.core import Dense
from keras import layers
from keras.optimizers import SGD
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import cross_val_score

#Function to create the NN model
def create_model():    
    #Neural Network model
    ann = Sequential()
    #Number of columns of training dataset
    n_cols = x_train.shape[1]
    #Output
    ann.add(Dense(units=1,activation='sigmoid',input_shape=(n_cols,)))
    #SGD Optimizer
    sgd = SGD(lr=0.1)
    #Compile with SGD optimizer and binary_crossentropy
    ann.compile(optimizer=sgd,
                loss='binary_crossentropy',
                metrics=['accuracy'])
    return ann

#Creating the model
model=KerasClassifier(build_fn=create_model,epochs=150,batch_size=10,verbose=0)
#Evaluating the model using StratifiedKFold
kfold = StratifiedKFold(n_splits=4, shuffle=True, random_state=2)
results=cross_val_score(model,x_train,y_train,cv=kfold)
#Accuracies
print(results)

为了创建由学习率和 epochs 形成的 20 个组合，首先，我创建了 lr 和 epochs 的随机值：

   #Epochs
   epo = np.random.randint(10,150)
   #Learning Rate
   learn = np.random.randint(0.01,1)

我的问题是我不知道如何将其放入 NN 的代码中，以便找到哪个组合可以提供模型的最佳准确度。

Answer 1

无需优化您可以轻松使用提前停止的时代数，当您的损失或准确性没有改善时，它将停止，因此只需将您的时代设置一个大数字（例如 300 ）并添加：

keras.callbacks.callbacks.EarlyStopping(monitor='val_loss', min_delta=0.1)

您还可以通过以下方式调用最佳权重（就在模型开始过度拟合之前）：

restore_best_weights=True

Answer 2

首先在create_model()函数中，您定义了将学习率作为参数传递给的优化器：

#SGD Optimizer
sgd = SGD(lr=0.1)

这是优化过程的起始学习率，从这一点优化器处理最优学习率。 尽管如此，您可以在循环中传递多个起始学习率，重复调用 create_model create_model()函数并将学习率参数传递给该函数。

此外，正如 parsa 提到的，选择正确的纪元数是基于验证结果，它显示了您的模型在哪里过拟合。 关键是，纪元数达到了最佳状态。