通過Keras的包裝類，藉助Scikit-Learn的網格搜尋演算法評估神經網路模型的不同配置，並找到最佳評估效能的引數組合。

在Scikit-Learn中的GridSearchCV需要一個字典型別的欄位作為需要調參的引數，預設採用3折交叉驗證的方法來評估演算法。

這裡有四個引數需要調參，因此會產生4*3個模型。

程式碼如下：

"""
通過Scikit-learn中的GridSearchCV進行自動調參
耗時很久，很多情況下不常用
"""
from keras.models import Sequential
from keras.layers import Dense
import numpy as np
from sklearn.model_selection import GridSearchCV
from keras.wrappers.scikit_learn import KerasClassifier

#構建模型
#這裡的引數必須要有init才可以！！！不然會報錯。
def create_model(optimizer='rmsprop', init='glorot_uniform'):
    #構建模型
    model = Sequential()
    model.add(Dense(12, input_dim=8, kernel_initializer=init, activation='relu'))
    model.add(Dense(8, kernel_initializer=init, activation='relu'))
    model.add(Dense(1, kernel_initializer=init, activation='sigmoid'))
    #編譯模型
    model.compile(loss='binary_crossentropy', optimizer=optimizer, metrics=['accuracy'])
    return model

seed = 7 #設定隨機種子
np.random.seed(seed)

#匯入資料
dataset = np.loadtxt(r'F:\Python\pycharm\keras_deeplearning\datasets\PimaIndiansdiabetes.csv', delimiter=',', skiprows=1)
#分割輸入變數x和輸出變數Y
x = dataset[:, 0:8]
Y = dataset[:, 8]

#建立模型,,迭代——引數為（模型，時期，批處理大小，verbose=0作用：關閉模型的fit()和evaluate()的詳細輸出）
model = KerasClassifier(build_fn=create_model, verbose=0)

#建立需要調參的引數
param_grid = {}
param_grid['optimizer'] = ['rmsprop', 'adam']
param_grid['init'] = ['glorot_uniform', 'normal', 'uniform']
param_grid['epochs'] = [50,100,150,200]
param_grid['batch_size'] = [5,10,20]

#調參
grid = GridSearchCV(estimator=model, param_grid=param_grid)
results = grid.fit(x,Y)

#輸出結果
print('Best: %f using %s' % (results.best_score_, results.best_params_))
means = results.cv_results_['mean_test_score']
stds = results.cv_results_['std_test_score']
params = results.cv_results_['params']

for mean, std, param in zip(means,stds,params):
    print('%f (%f) with: %r' % (mean, std, param))
 

這裡簡要科普一下zip()函式：

備註：zip():

>>>a = [1,2,3]
>>> b = [4,5,6]
>>> c = [4,5,6,7,8]
>>> zipped = zip(a,b)     # 打包為元組的列表
[(1, 4), (2, 5), (3, 6)]
>>> zip(a,c)              # 元素個數與最短的列表一致
[(1, 4), (2, 5), (3, 6)]
>>> zip(*zipped)          # 與 zip 相反，*zipped 可理解為解壓，返回二維矩陣式
[(1, 2, 3), (4, 5, 6)]