机器学习实战一：人马识别
机器学习实战一：人马识别
项目总体思路：用keras库编写model，用数据集对model进行训练，用验证集进行验证。考虑到需要对参数进行优化，采用的是kerastuner库中的hyperband函数进行参数优化，并且使用kerastuner库中的HyperParameters超参数在模型的构建时进行参数填充，以方便自动调参。
实际执行思路：
第一步：
引入kerastuner库中的hyperband 和 hyperParameters模块后，，定义一个超参数实例hp。以后所有的需要调整的参数都是hp对象空间中的内容，可以像引用成员那样进行使用。
def一个build_model函数，从而实现把超参数hp封装进去。在build_model中做的就是模型的构造，包括先构造一个sequential（顺序）类型的模型，依次添加一个卷积层（参数依次是hp.Choice(“num_filters_layer0”,values=[16,64],default=16)），activation=‘relu’,input_shape=(300,300,3)
1个池化层(参数依次是(2,2))，
再来一个for循环来自动优化之后的卷积层和池化层的最佳个数：
for range(hp.Int(num_con_layers,1,3)):
model.add(keras.layers.cov2D（hp.Choice(f"num_filters_layer{i}",values=[16,64],default=16)），activation=‘relu’,input_shape=(300,300,3) ))
model.add(keras.layers,MaxPooling(2,2))
之后再加1个flatten层，用于将输入一维化以连接全连接层。
再加一个全连接层 Dense(hp.Int(‘hidden_units’,128,256,step=32),activation=‘relu’)
如果到这里结束的话，就要加一个最后的全连接层
Dense()用于输出0/1判断，二分用sigmoid激活，多分类用softmax激活。
最后设置model.compile规定目标函数,参数为;
loss=‘binary_crossentropy’, 设置损失函数为对数似然函数
optimizer=RMSprop(lr=0.001)设置学习率和优化函数
metrics=[‘acc’]设置优化指标？
整个build_model写完后返回一个model。
第二步
是使用hyperband进行参数调优
hyperband(指定函数，
objective=‘val_acc’，
max_epochs=15，
指定临时数据的存储目录：directory=‘horse_human_params’,
hyperparameters=hp,
project_name=“给临时数据的文件进行命名”
)
第三步
类似于fit函数，使用tuner.search进行训练。
参数分别为：训练集数据，epochs，verbose（ = 0，在控制台没有任何输出
verbose = 1 ：显示进度条，默认为1），验证集，验证集步长validation_steps=8