Question

首先，我要说这不是正确运行Keras模型的方法。应该有火车和测试仪。作业严格是为了发展直觉，因此没有测试集。

我正在通过神经元，激活功能，批次和层的多个排列来运行模型。这是我正在使用的代码。

from sklearn.datasets import make_classification
X1, y1 = make_classification(n_samples=90000, n_features=17, n_informative=6, n_redundant=0, n_repeated=0, n_classes=8, n_clusters_per_class=3, weights=None, flip_y=.3, class_sep=.4, hypercube=False, shift=3, scale=2, shuffle=True, random_state=840780)

class_num = 8

# ----------------------------------------------------------------

import itertools

final_param_list = []

# param_list_gen order is  units, activation function, batch size, layers
param_list_gen = [[10, 20, 50], ["sigmoid", "relu", "LeakyReLU"], [8, 16, 32], [1, 2]]
for element in itertools.product(*param_list_gen):
    final_param_list.append(element)

# --------------------------------------------------------------------------------------

from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten, LeakyReLU
from keras.callbacks import History
import tensorflow as tf
import numpy as np
import pandas as pd

# --------------------------------------------------------------------------------------



# --------  Model 1 - permutations of neurons, activation funtions batch size and layers -------- #

for param in final_param_list:
    q2model1 = Sequential()

    # hidden layer 1
    q2model1.add(Dense(param[0]))
    if param[1] != 'LeakyReLU':
        q2model1.add(Activation(param[1]))
    else:
        q2model1.add(LeakyReLU(alpha=0.1))

    if param[3] == 2:
        # hidden layer 2
        q2model1.add(Dense(param[0]))
        if param[1] != 'LeakyReLU':
            q2model1.add(Activation(param[1]))
        else:
            q2model1.add(LeakyReLU(alpha=0.1))

    # output layer
    q2model1.add(Dense(class_num, activation='softmax'))

    q2model1.compile(loss='sparse_categorical_crossentropy', optimizer='RMSProp', metrics=['accuracy'])

    # Step 3: Fit the model

    history = q2model1.fit(X1, y1, epochs=20)

似乎工作正常。现在，我的任务是输出每个时期的准确性，并包括神经元，激活功能，批次，层次

现在，这给了我每个时代的所有准确性

print(history.history['acc'])

这给了我参数

print(param)

这给了我一个总结，尽管我不确定这是否是最好的方法

print(q2model1.summary())

是否有一种方法可以将每个时期打印到熊猫数据框，使其看起来像这样？

就是这样。如果您在模型本身中发现任何明显错误的信息，或者如果我缺少一些关键代码，请告诉我

Answer 1

您可以尝试：

ViewGroup

Keras也有一个CSVLogger：https://keras.io/callbacks/#csvlogger，可能很有趣。

您如何将Keras模型摘要写入数据框？

1 个答案: