我正在使用scikit-learn自定义管道（sklearn.pipeline.Pipeline）结合RandomizedSearchCV进行超参数优化。这效果很好。

现在我想将一个keras模型作为管道的第一步插入。模型的参数需要进行优化。计算出的（拟合的）keras模型随后应在管道的其他步骤中使用，因此我想我需要将模型存储为全局变量，以便其他管道步骤可以使用它。这样做对吗？

我知道keras为scikit-learn API提供了一些包装器，但问题是这些包装器已经执行了分类/回归，而我只想计算keras模型而不做其他操作。

这该如何实现呢？

例如，我有一个方法可以返回模型：

def create_model(file_path, argument2,...):  ...  return model

该方法需要一些固定的参数，如file_path等，但不需要X和y（或者可以忽略）。模型的参数需要进行优化（如层数等）。

回答：

你需要将你的Keras模型包装成Scikit learn模型，然后像往常一样进行操作。

这里有一个快速示例（为了简洁，我省略了导入语句）

这里有一篇完整的博客文章，包含这个以及许多其他示例：Scikit-learn Pipeline Examples

# 创建一个返回模型的函数，参数是你想使用交叉验证和模型选择来验证的def create_model(optimizer='adagrad',                  kernel_initializer='glorot_uniform',                   dropout=0.2):    model = Sequential()    model.add(Dense(64,activation='relu',kernel_initializer=kernel_initializer))    model.add(Dropout(dropout))    model.add(Dense(1,activation='sigmoid',kernel_initializer=kernel_initializer))    model.compile(loss='binary_crossentropy',optimizer=optimizer, metrics=['accuracy'])    return model# 使用你创建的函数包装模型clf = KerasRegressor(build_fn=create_model,verbose=0)# 只需创建管道pipeline = Pipeline([    ('clf',clf)])pipeline.fit(X_train, y_train)