深度学习：Keras快速开发入门（二）Keras内置Scikit-Learn接口包装器：卷积网络识别Mnist手写数字，并用网格搜索方法自动调优一些超参数_keras.wrappers.scikit_learn

这本书基本抄袭了keras中文文档，建议配合keras中文文档一起使用
github下载keras中文文档中的示例程序mnist_sklearn_wrapper.py，自己添加注释。
将源码第79行dense_size_candidates = [[32], [64], [32, 32], [64, 64]]改为dense_size_candidates = [[32], [64], [32, 32], [64, 64], [32, 64]. [64, 32]]

Keras内置Scikit-Learn接口包装器

Scikit-Learn机器学习库的简约易用与Keras框架非常相似。如果用过Scikit-Learn，并且想要在Keras中使用Scikit-Learn的一些特有功能（如交叉验证、网格搜索等），可以使用Keras内置的Scikit-Learn接口包装器。
　　通过包装器将Sequential模型（贯序模型）（仅有一个输入）作为Scikit-Learn工作流的一部分，相关的包装器定义在keras.wrappers.scikit_learn.py中。
　　目前，有两个包装器可用：

keras.wrappers.scikit_learn.KerasClassifier(build_fn=None, **sk_params)
1

实现了sklearn的分类器接口

keras.wrappers.scikit_learn.KerasRegressor(build_fn=None, **sk_params)
1

实现了sklearn的回归器接口

参数如下

build_fn：可调用的函数或类对象

build_fn应构造、编译并返回一个Keras模型。该模型将稍后用于训练/测试。build_fn的值可能为下列3中之一：
　　一个函数。
　　一个具有call方法的类实例
　　None，代表类继承自KerasClassifier或KerasRegressor，其call方法是其父类的call方法

sk_params：模型参数和训练参数

sk_params合法的模型参数为build_fn的参数。注意，“build_fn”应提供其参数的默认值。所以我们不传递任何值给sk_params也可以创建一个分类器/回归器。sk_params还接受用于调用fit、predict、predict_proba和score方法的参数，如nb_epoch、batch_size等。这些用于训练或预测的参数按如下先后顺序选择：
　　传递给fit、predict、predict_proba和score的字典参数。
　　传递给sk_params的参数。
　　keras.models.Sequential、fit、predict、predict_proba和score的默认值
　　当使用scikit-learn的网格搜索（grid_search）接口时，合法的可调参数是可以传递给sk_params的参数，包括训练参数。即可以使用grid_search来搜索最佳的batch_size或nb_epoch以及其他模型参数。

网格搜索

自动超优化参数是Scikit-Learn接口中非常实用的功能之一。这种优化方式无需人工调参，其中最常用的两种方法是网格搜索（grid_search）和随机化搜索（randomized_search）。网格搜索会尝试给出的所有超参数组合：而随机搜索更多地使用在超参数较多的情况，会在超参数空间的一个特定分布上随机抽样一些超参数组合，最后返回抽样到的最好超参数组合。

代码

下面展示了如何使用Scikit-Learn的网格搜索（grid_search）自动寻找合适超参数的过程。
整个任务是建立一个简单的卷积网络识别mnist手写数字，并且用网格搜索方法自动调优一些超参数，返回最优超参数。

# 下面展示了如何使用Scikit-Learn的网格搜索(grid_search)自动寻找合适超参数的过程

# 整个任务是建立一个简单的卷积网络识别mnist手写数字，并且用网格搜索方法自动调优
# 一些超参数，返回最优超参数

# 首先，代码中我们导入一些必须的库，
# 包括前面提到的Keras包装器KerasClassifier和Scikit-Learn的GridSearchCV方法
from __future__ import print_function

import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras.wrappers.scikit_learn import KerasClassifier
from keras import backend as K
from sklearn.model_selection import GridSearchCV


num_classes = 10

# 输入图片的尺寸
img_rows, img_cols = 28, 28

# 加载数据集，进行基本数据归一化
(x_train, y_train), (x_test, y_test) = mnist.load_data()

if K.image_data_format() == 'channels_first':
    x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)
    x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)
    input_shape = (1, img_rows, img_cols)
else:
    x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
    x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
    input_shape = (img_rows, img_cols, 1)

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255

# 将类向量转换为二进制类矩阵
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)


def make_model(dense_layer_sizes, filters, kernel_size, pool_size):
    '''创建由2个卷积层和密集层组成的模型

    dense_layer_sizes: 图层大小列表，这个列表中的每一层都有一个数字
    filters: 每个卷积层中卷积滤波器的个数
    kernel_size: 卷积核大小
    pool_size: 最大池化的池化窗口大小
    '''

    model = Sequential()
    model.add(Conv2D(filters, kernel_size,
                     padding='valid',
                     input_shape=input_shape))
    model.add(Activation('relu'))
    model.add(Conv2D(filters, kernel_size))
    model.add(Activation('relu'))
    model.add(MaxPooling2D(pool_size=pool_size))
    model.add(Dropout(0.25))

    model.add(Flatten())
    for layer_size in dense_layer_sizes:
        model.add(Dense(layer_size))
        model.add(Activation('relu'))
    model.add(Dropout(0.5))
    model.add(Dense(num_classes))
    model.add(Activation('softmax'))

    model.compile(loss='categorical_crossentropy',
                  optimizer='adadelta',
                  metrics=['accuracy'])

    return model


# 我们构造了一个简单的有二层卷积的网络，注意我们把全连接层留空，
# 假设需要添加到全连接层的数量和输出未知。即dense_layer_sizes是我们想要调优的超参数
# 我们想要考虑这样一些情况
# (1) 再添加1层32输出到额全连接层
# (2) 再添加1层64输出到额全连接层
# (3) 再添加2层32输出到额全连接层
# (4) 再添加2层63输出到额全连接层
# (5) 先添加1层32输出的全连接层，再添加1层64输出的全连接层
# (6) 先添加1层64输出的全连接层，再添加1层32输出的全连接层
# 因此，所有情况列表为[[32], [64], [32, 32], [64, 64],[32,64],[64,32]]
#                   根据这些情况我们进行网格搜索
# 通过Keras的KerasClassifier接口获得经过包装的Scikit-Learn模型实例
# 把模型实例放在Scikit-Learn的网格搜索GridSearchCV接口中进行模型的超参数搜索和验证
dense_size_candidates = [[32], [64], [32, 32], [64, 64], [32, 64], [64, 32]]
# KerasClassifier的第一个参数为可调用的函数或类对象
# 参数1应构造、编译并返回一个Keras模型。该模型将稍后用于训练/测试
my_classifier = KerasClassifier(make_model, batch_size=32)
# 注意，虽然epochs、filters、kernel_size、pool_size等参数没有在构造模型时明确指定
# 这些参数默认在Scikit-Learn接口中是可调超参数
# 可以直接在使用GridSearchCV时指定调优的组合
validator = GridSearchCV(my_classifier,
                         param_grid={'dense_layer_sizes': dense_size_candidates,
                                     # epochs即使不是模型构建函数的参数也可用于调优
                                     'epochs': [3, 6],
                                     'filters': [8],
                                     'kernel_size': [3],
                                     'pool_size': [2]},
                         scoring='neg_log_loss',
                         n_jobs=1)
# 最后，调用.fit方法进行超参数搜索，输出结果
validator.fit(x_train, y_train)

print('The parameters of the best model are: ')
print(validator.best_params_)

# 此处validator.best_estimator_返回的是被Keras包装过的Scikit-Learn模型对象
# validator.best_estimator_.model返回的是未包装过的Keras模型对象
best_model = validator.best_estimator_.model
metric_names = best_model.metrics_names
metric_values = best_model.evaluate(x_test, y_test)
for metric, value in zip(metric_names, metric_values):
    print(metric, ': ', value)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122