使用 keras 模型进行超参数优化：GridSearchCV 还是 talos？
Hyper-parameter Optimization with keras models: GridSearchCV or talos?
我想调整 keras 模型的超参数，我正在探索手头的替代方案。第一个也是最明显的一个是使用 scikit-learn 包装器，如此处所示 (https://keras.io/scikit-learn-api/) thereby being able to use all the faboulous things in the scikit-learn worflow but I also came across this package here (https://github.com/autonomio/talos)，这看起来很有前途并且很可能提供速度提升。
如果有人同时使用它们，有人可以指出更好的解决方案（灵活性、速度、功能）吗？带有 pipeline 和自定义估算器的 sklearn 工作流程提供了一个灵活的世界，但 talos 似乎更直接地针对 keras，因此它必须产生一些优势（我猜他们不会制作一个新的独立包，否则）我看不到（这里强调了一些好处 https://github.com/autonomio/talos/blob/master/docs/roadmap.rst 但这些事情似乎在 scikit-learn 框架中得到了充分涵盖）
有什么见解吗？
个人意见：
train/valid/test 拆分对于深度学习来说是比交叉验证更好的选择。 （k次训练成本太高）
随机搜索是开始探索超参数的好方法，所以自己编写代码并不难，但是 talos 或 hyperas（非常有名）可能会有所帮助。
我想调整 keras 模型的超参数，我正在探索手头的替代方案。第一个也是最明显的一个是使用 scikit-learn 包装器，如此处所示 (https://keras.io/scikit-learn-api/) thereby being able to use all the faboulous things in the scikit-learn worflow but I also came across this package here (https://github.com/autonomio/talos)，这看起来很有前途并且很可能提供速度提升。
如果有人同时使用它们，有人可以指出更好的解决方案（灵活性、速度、功能）吗？带有 pipeline 和自定义估算器的 sklearn 工作流程提供了一个灵活的世界，但 talos 似乎更直接地针对 keras，因此它必须产生一些优势（我猜他们不会制作一个新的独立包，否则）我看不到（这里强调了一些好处 https://github.com/autonomio/talos/blob/master/docs/roadmap.rst 但这些事情似乎在 scikit-learn 框架中得到了充分涵盖）
有什么见解吗？
个人意见：
train/valid/test 拆分对于深度学习来说是比交叉验证更好的选择。 （k次训练成本太高）
随机搜索是开始探索超参数的好方法，所以自己编写代码并不难，但是 talos 或 hyperas（非常有名）可能会有所帮助。