it-swarm.com.de

So übergeben Sie einen Parameter an die Scikit-Learn Keras-Modellfunktion

Ich habe den folgenden Code mit Keras Scikit-Learn Wrapper , der gut funktioniert:

from keras.models import Sequential
from keras.layers import Dense
from sklearn import datasets
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import StratifiedKFold
from sklearn.model_selection import cross_val_score
import numpy as np


def create_model():
    # create model
    model = Sequential()
    model.add(Dense(12, input_dim=4, init='uniform', activation='relu'))
    model.add(Dense(6, init='uniform', activation='relu'))
    model.add(Dense(1, init='uniform', activation='sigmoid'))
    # Compile model
    model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
    return model


def main():
    """
    Description of main
    """


    iris = datasets.load_iris()
    X, y = iris.data, iris.target

    NOF_ROW, NOF_COL =  X.shape

    # evaluate using 10-fold cross validation
    seed = 7
    np.random.seed(seed)
    model = KerasClassifier(build_fn=create_model, nb_Epoch=150, batch_size=10, verbose=0)
    kfold = StratifiedKFold(n_splits=10, shuffle=True, random_state=seed)
    results = cross_val_score(model, X, y, cv=kfold)

    print(results.mean())
    # 0.666666666667


if __== '__main__':
    main()

Der pima-indians-diabetes.data kann heruntergeladen werdenhier.

Nun möchte ich einen Wert NOF_COL in einem Parameter der Funktion create_model() folgendermaßen übergeben

model = KerasClassifier(build_fn=create_model(input_dim=NOF_COL), nb_Epoch=150, batch_size=10, verbose=0)

Mit der Funktion create_model() sieht das so aus:

def create_model(input_dim=None):
    # create model
    model = Sequential()
    model.add(Dense(12, input_dim=input_dim, init='uniform', activation='relu'))
    model.add(Dense(6, init='uniform', activation='relu'))
    model.add(Dense(1, init='uniform', activation='sigmoid'))
    # Compile model
    model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
    return model

Dieser Fehler schlägt jedoch fehl:

TypeError: __call__() takes at least 2 arguments (1 given)

Was ist der richtige Weg, um es zu tun?

14
neversaint

Sie können dem KerasClassifier-Konstruktor einen input_dim-Schlüssel hinzufügen:

model = KerasClassifier(build_fn=create_model, input_dim=5, nb_Epoch=150, batch_size=10, verbose=0)
12

Letzte Antwort funktioniert nicht mehr.

Eine Alternative besteht darin, eine Funktion aus create_model zurückzugeben, da KerasClassifier build_fn eine Funktion erwartet:

def create_model(input_dim=None):
    def model():
        # create model
        nn = Sequential()
        nn.add(Dense(12, input_dim=input_dim, init='uniform', activation='relu'))
        nn.add(Dense(6, init='uniform', activation='relu'))
        nn.add(Dense(1, init='uniform', activation='sigmoid'))
        # Compile model
        nn.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
        return nn

    return model

Oder noch besser gemäß Dokumentation

sk_params akzeptiert sowohl Modellparameter als auch Anpassungsparameter. Gesetzliche Modellparameter sind die Argumente von build_fn. Beachten Sie, dass build_fn wie alle anderen Schätzer in scikit-learn default values ​​für seine Argumente bereitstellen sollte, damit Sie den Schätzer erstellen können, ohne Werte an sk_params zu übergeben

So können Sie Ihre Funktion folgendermaßen definieren:

def create_model(number_of_features=10): # 10 is the *default value*
    # create model
    nn = Sequential()
    nn.add(Dense(12, input_dim=number_of_features, init='uniform', activation='relu'))
    nn.add(Dense(6, init='uniform', activation='relu'))
    nn.add(Dense(1, init='uniform', activation='sigmoid'))
    # Compile model
    nn.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
    return nn

Und erstellen Sie einen Wrapper:

KerasClassifier(build_fn=create_model, number_of_features=20, epochs=25, batch_size=1000, ...)
1
alexandrecosta