有很多用于超参数优化的库是特定于 Keras 或其他深度学习库的,例如Hyperas或Talos。
我的问题是,与例如sklearn.model_selection.GridSearchCV()或sklearn.model_selection.RandomizedSearchCV相比,使用这些库的主要好处是什么?
有很多用于超参数优化的库是特定于 Keras 或其他深度学习库的,例如Hyperas或Talos。
我的问题是,与例如sklearn.model_selection.GridSearchCV()或sklearn.model_selection.RandomizedSearchCV相比,使用这些库的主要好处是什么?
在我使用 hyperas 的情况下,我注意到与 gridsearch 相比的明显优势之一,即 gridsearch 函数只接受一个数组作为输入。我的要求是两个能够在我使用连体网络时发送两个数组作为输入。我可以使用开箱即用的 hyperas 来做到这一点。所以hyperas比gridsearchcv更灵活。 检查这个例子
最大的区别是 scikit-learn 版本旨在与 scikit-learn Estimator API 一起使用。其他深度学习模型可能与该 API 不一致。如果您尝试实例化该类,它将无法正常工作。
最好使用为生态系统设计的选项。在 scikit-learn 中进行超参数优化时,使用该包选项。在深度学习中进行超参数优化时,使用深度学习特定选项。