KerasTuner 是一个易于使用、可扩展的超参数优化框架，它解决了超参数搜索的痛点。通过“定义即运行”的语法轻松配置搜索空间，然后利用其中一种可用的搜索算法为模型找到最佳超参数值。KerasTuner 内置了贝叶斯优化、Hyperband 和随机搜索算法，并且设计使其易于研究人员扩展，以便试验新的搜索算法。
安装最新版本
pip install keras-tuner --upgrade
您也可以在我们的 GitHub 仓库 中查看其他版本。
导入 KerasTuner 和 TensorFlow
import keras_tuner
import keras
编写一个创建并返回 Keras 模型的函数。在模型创建过程中，使用 hp 参数来定义超参数。
def build_model(hp):
model = keras.Sequential()
model.add(keras.layers.Dense(
hp.Choice('units', [8, 16, 32]),
activation='relu'))
model.add(keras.layers.Dense(1, activation='relu'))
model.compile(loss='mse')
return model
初始化一个调优器（这里是 RandomSearch）。我们使用 objective 来指定选择最佳模型的指标，并使用 max_trials 来指定要尝试的不同模型的数量。
tuner = keras_tuner.RandomSearch(
build_model,
objective='val_loss',
max_trials=5)
开始搜索并获取最佳模型
tuner.search(x_train, y_train, epochs=5, validation_data=(x_val, y_val))
best_model = tuner.get_best_models()[0]
要了解更多关于 KerasTuner 的信息，请查看 入门指南。
如果 KerasTuner 对您的研究有所帮助，我们非常感谢您的引用。以下是 BibTeX 条目
@misc{omalley2019kerastuner,
title = {KerasTuner},
author = {O'Malley, Tom and Bursztein, Elie and Long, James and Chollet, Fran\c{c}ois and Jin, Haifeng and Invernizzi, Luca and others},
year = 2019,
howpublished = {\url{https://github.com/keras-team/keras-tuner}}
}