以下是由此产生的错误-

RuntimeError: Cannot clone object <keras.wrappers.scikit_learn.KerasClassifier object at 0x000000001D691438>, as the constructor does not seem to set parameter callbacks

我修改了cross_val_score如下-

numpy.random.seed(seed)estimators = []estimators.append(('standardize', StandardScaler()))estimators.append(('mlp', KerasClassifier(build_fn=create_baseline, nb_epoch=300, batch_size=16, verbose=0, callbacks=calls)))pipeline = Pipeline(estimators)kfold = StratifiedKFold(n_splits=10, shuffle=True, random_state=seed)results = cross_val_score(pipeline, X, encoded_Y, cv=kfold, fit_params={'callbacks':calls})print("Baseline: %.2f%% (%.2f%%)" % (results.mean()*100, results.std()*100))

现在我得到这个错误-

ValueError: need more than 1 value to unpack

这段代码来自这里。迄今为止，这是我使用过的最准确的代码。问题是代码中没有任何地方定义了model.fit()。拟合过程需要很长时间。fit()操作发生在results = cross_val_score(...)，并且没有参数可以传递回调。

我该如何做呢？另外，我如何在测试集上运行训练好的模型？

我需要能够保存训练好的模型以供以后使用…

回答：

从这里阅读，即KerasClassifier的源代码，你可以传递fit的参数，它们应该会被使用。我没有你的数据集，所以我无法测试，但你可以告诉我这是否有效，如果无效，我会尝试调整解决方案。更改这一行：

estimators.append(('mlp', KerasClassifier(build_fn=create_baseline, nb_epoch=300, batch_size=16, verbose=0, callbacks=[...your_callbacks...])))

简单解释一下发生了什么：KerasClassifier接收fit、predict、score的所有可能参数，并在每次调用这些方法时相应地使用它们。他们制作了一个函数来过滤应该传递给上述可以调用的函数的参数。我猜在StratifiedKFold步骤中会有多次fit和predict调用，以便每次在不同的分割上进行训练。

它之所以需要很长时间来拟合，并且进行了10次拟合，是因为一次拟合需要进行300个周期，正如你所要求的。因此，KFold会在不同的折叠上重复这个步骤：

• 调用fit，并使用传递给KerasClassifier的所有参数（300个周期和批量大小为16）。它在你数据的9/10上进行训练，并使用1/10作为验证数据。

编辑：

好的，我花时间下载了数据集并尝试了你的代码…首先，你需要在你的网络中更正“一些”事情：

• 你的输入有60个特征。你在数据准备中明确显示了这一点：

  X = dataset[:,:60].astype(float)

  那么为什么你会有这样的代码：

  model.add(Dropout(0.2, input_shape=(33,)))

  请更改为：

  model.add(Dropout(0.2, input_shape=(60,)))

• 关于你的目标/标签。你将目标从原始代码中的binary_crossentropy更改为categorical_crossentropy。但你没有更改你的Y数组。所以在数据准备中要么这样做：

  from keras.utils.np_utils import to_categoricalencoded_Y = to_categorical(encoder.transform(Y))

  要么将目标更改回binary_crossentropy。

• 现在是网络的输出大小：最后一个Dense层上的122？你的数据集显然有2个类别，那么为什么你要输出122个类？这将不匹配目标。请将最后一层更改回：

  model.add(Dense(2, init='normal', activation='softmax'))

  如果你选择使用categorical_crossentropy，或者

  model.add(Dense(1, init='normal', activation='sigmoid'))

  如果你回到binary_crossentropy。

现在你的网络能够编译，我可以开始排除故障了。

这是你的解决方案

现在我可以得到真正的错误信息。原来当你在cross_val_score()函数中传递fit_params=whatever时，你是将这些参数传递给一个管道。为了知道你想将这些参数发送到管道的哪个部分，你必须这样指定：

fit_params={'mlp__callbacks':calls}

你的错误显示进程无法将'callbacks'.split('__', 1)解包为2个值。实际上，它正在寻找要应用此操作的管道步骤的名称。

现在应该可以工作了:)

results = cross_val_score(pipeline, X, encoded_Y, cv=kfold, fit_params={'mlp__callbacks':calls})

但是，你应该了解这里发生了什么…交叉验证实际上会调用create_baseline()函数，从头开始重新创建模型10次，并在数据集的不同部分上训练10次。所以它不是像你说的进行周期，而是进行300个周期10次。使用这个工具的结果是：由于模型总是不同的，这意味着fit()方法在不同的模型上应用了10次，因此回调也被应用了10次不同的情况，并且由ModelCheckpoint()保存的文件会被覆盖，你最终只会得到最后一次运行的最佳模型。

这是你使用的工具固有的，我看不到任何绕过这一点的方法。这是使用不同的一般工具的后果，这些工具并不是特别考虑与所有可能的配置一起使用的。