使用keras模型的超参数优化：GridSearchCV还是talos？

Question

我想调整keras模型上的超参数，我正在探索我手边的替代品。第一个也是最明显的一个是使用scikit-learn包装器，如此处所示（https://keras.io/scikit-learn-api/），从而能够使用scikit-learn worflow中的所有烦人的东西，但我也在这里看到了这个包（https://github.com/autonomio/talos）看起来非常有希望并且最有可能提高速度。

如果有人同时使用它们，有人会指出我更好的解决方案（灵活性，速度，功能）吗？ sklearn工作流程pipeline和自定义估算工具提供了灵活的世界，但是talos似乎更直接针对keras，因此它必须产生一些优势（我猜他们不会创建一个新的独立包）我无法看到（这里突出显示了一些好处https://github.com/autonomio/talos/blob/master/docs/roadmap.rst，但scikit-learn框架中似乎已充分涵盖了这些问题）

任何见解？

Answer 1

个人意见：

• 训练/有效/测试分割比深度学习的交叉验证更好。 （k培训费用太高）

• 随机搜索是开始探索超参数的一种好方法，因此自己编写代码并不是很难，但是talos或者hyperas（非常有名）可能会有所帮助。