0
是否可以使用Keras's scikit-learn API和fit_generator()
方法?或者用另一种方式产生批次进行培训?我使用SciPy的稀疏矩阵,在输入到Keras之前必须将其转换为NumPy数组,但由于高内存消耗,我无法同时转换它们。这里是我的功能以便产生批次:keras/scikit-learn:使用fit_generator()进行交叉验证
def batch_generator(X, y, batch_size):
n_splits = len(X) // (batch_size - 1)
X = np.array_split(X, n_splits)
y = np.array_split(y, n_splits)
while True:
for i in range(len(X)):
X_batch = []
y_batch = []
for ii in range(len(X[i])):
X_batch.append(X[i][ii].toarray().astype(np.int8)) # conversion sparse matrix -> np.array
y_batch.append(y[i][ii])
yield (np.array(X_batch), np.array(y_batch))
和示例代码交叉验证:
from sklearn.model_selection import StratifiedKFold, GridSearchCV
from sklearn import datasets
from keras.models import Sequential
from keras.layers import Activation, Dense
from keras.wrappers.scikit_learn import KerasClassifier
import numpy as np
def build_model(n_hidden=32):
model = Sequential([
Dense(n_hidden, input_dim=4),
Activation("relu"),
Dense(n_hidden),
Activation("relu"),
Dense(3),
Activation("sigmoid")
])
model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=["accuracy"])
return model
iris = datasets.load_iris()
X = iris["data"]
y = iris["target"].flatten()
param_grid = {
"n_hidden": np.array([4, 8, 16]),
"nb_epoch": np.array(range(50, 61, 5))
}
model = KerasClassifier(build_fn=build_model, verbose=0)
skf = StratifiedKFold(n_splits=5).split(X, y) # this yields (train_indices, test_indices)
grid = GridSearchCV(model, param_grid, cv=skf, verbose=2, n_jobs=4)
grid.fit(X, y)
print(grid.best_score_)
print(grid.cv_results_["params"][grid.best_index_])
要更多解释,它使用的超参数所有可能的组合在param_grid
建立一个模型。然后在StratifiedKFold
提供的列车测试数据拆分(折叠)上对每个模型进行逐一的训练和测试。然后给定模型的最终得分是所有折叠的平均得分。
因此,在实际拟合之前,是否可以在上面的代码中插入一些预处理子步骤来转换数据(稀疏矩阵)?
我知道我可以编写自己的交叉验证生成器,但它必须产生索引,而不是真正的数据!
看起来不错 - 修改Keras的源代码也出现在我的脑海中,但我想避免这种情况。谢谢,我会试试:) – jirinovo
所以我修改了一下你的代码,它工作正常。你有一些想法如何在这里使用Keras的回调函数[EarlyStopping](https://keras.io/callbacks/#earlystopping)吗? – jirinovo
当然。不适合评论,但这里是我的分类器为Keras和XGB提早停止。曾经工作过但注意不全面测试! https://github.com/simonm3/analysis/blob/master/analysis/classifiers.py – simon