使用 keras 的 sk-learn API 时出错

Posted 2023-03-12

【中文标题】使用 keras 的 sk-learn API 时出错

【英文标题】：error when using keras' sk-learn API

【发布时间】：2017-01-20 21:43:57

【问题描述】：

  这几天在学习 keras，在使用 scikit-learn API 时遇到了错误。这里有一些可能有用的东西：

环境：

python:3.5.2  
keras:1.0.5  
scikit-learn:0.17.1

代码

import pandas as pd
from keras.layers import Input, Dense
from keras.models import Model
from keras.models import Sequential
from keras.wrappers.scikit_learn import KerasRegressor
from sklearn.cross_validation import train_test_split
from sklearn.cross_validation import cross_val_score
from sqlalchemy import create_engine
from sklearn.cross_validation import KFold


def read_db():
    "get prepared data from mysql."
    con_str = "mysql+mysqldb://root:0000@localhost/nbse?charset=utf8"
    engine = create_engine(con_str)
    data = pd.read_sql_table('data_ml', engine)
    return data

def nn_model():
    "create a model."
    model = Sequential()
    model.add(Dense(output_dim=100, input_dim=105, activation='softplus'))
    model.add(Dense(output_dim=1, input_dim=100, activation='softplus'))
    model.compile(loss='mean_squared_error', optimizer='adam')
    return model

data = read_db()
y = data.pop('PRICE').as_matrix()
x = data.as_matrix()
model = nn_model()
model = KerasRegressor(build_fn=model, nb_epoch=2)
model.fit(x,y)  #something wrong here!

错误

Traceback (most recent call last):
  File "C:/Users/Administrator/PycharmProjects/forecast/gridsearch.py", line 43, in <module>
    model.fit(x,y)
  File "D:\Program Files\Python35\lib\site-packages\keras\wrappers\scikit_learn.py", line 135, in fit
    **self.filter_sk_params(self.build_fn.__call__))
TypeError: __call__() missing 1 required positional argument: 'x'

Process finished with exit code 1

  该模型在不使用 kerasRegressor 打包的情况下运行良好，但我想在此之后使用 sk_learn 的 gridSearch，所以我在这里寻求帮助。我试过了，但还是不知道。

可能会有帮助：

keras.warappers.scikit_learn.py  

class BaseWrapper(object):  


    def __init__(self, build_fn=None, **sk_params):
        self.build_fn = build_fn
        self.sk_params = sk_params
        self.check_params(sk_params)  


    def fit(self, X, y, **kwargs):
        '''Construct a new model with build_fn and fit the model according
        to the given training data.
    # Arguments
        X : array-like, shape `(n_samples, n_features)`
            Training samples where n_samples in the number of samples
            and n_features is the number of features.
        y : array-like, shape `(n_samples,)` or `(n_samples, n_outputs)`
            True labels for X.
        kwargs: dictionary arguments
            Legal arguments are the arguments of `Sequential.fit`

    # Returns
        history : object
            details about the training history at each epoch.
    '''

    if self.build_fn is None:
        self.model = self.__call__(**self.filter_sk_params(self.__call__))
    elif not isinstance(self.build_fn, types.FunctionType):
        self.model = self.build_fn(
            **self.filter_sk_params(self.build_fn.__call__))
    else:
        self.model = self.build_fn(**self.filter_sk_params(self.build_fn))

    loss_name = self.model.loss
    if hasattr(loss_name, '__name__'):
        loss_name = loss_name.__name__
    if loss_name == 'categorical_crossentropy' and len(y.shape) != 2:
        y = to_categorical(y)

    fit_args = copy.deepcopy(self.filter_sk_params(Sequential.fit))
    fit_args.update(kwargs)

    history = self.model.fit(X, y, **fit_args)

    return history

  此行出现错误：

    self.model = self.build_fn(
        **self.filter_sk_params(self.build_fn.__call__))

self.build_fn 这里是 keras.models.Sequential

models.py  

class Sequential(Model):

    def call(self, x, mask=None):
        if not self.built:
            self.build()
        return self.model.call(x, mask)

那么，那个 x 是什么意思以及如何解决这个错误？ 谢谢！

【参考方案1】：

xiao，我遇到了同样的问题！希望这会有所帮助：

背景和问题

documentation for Keras 指出，在为 scikit-learn 实现 Wrappers 时，有两个参数。第一个是构建函数，它是一个“可调用函数或类实例”。具体来说，它指出：

build_fn 应该构造、编译并返回一个 Keras 模型，然后该模型将用于拟合/预测。可以将以下三个值之一传递给 build_fn：

一个函数 实现call方法的类的实例 无。这意味着您实现了一个继承自KerasClassifier 或KerasRegressor 的类。当前类的 call 方法将被视为默认的 build_fn。

在您的代码中，您创建模型，然后在创建 KerasRegressor 包装器时将模型作为参数 build_fn 的值传递：

model = nn_model()
model = KerasRegressor(build_fn=model, nb_epoch=2)

这就是问题所在。不是将 nn_model function 作为 build_fn 传递，而是传递 Keras Sequential 模型的实际实例。为此，在调用fit()时，找不到call方法，因为在你返回的类中没有实现。

建议的解决方案

我所做的就是将函数作为build_fn 传递，而不是实际模型：

data = read_db()
y = data.pop('PRICE').as_matrix()
x = data.as_matrix()
# model = nn_model() # Don't do this!
# set build_fn equal to the nn_model function
model = KerasRegressor(build_fn=nn_model, nb_epoch=2) # note that you do not call the function!
model.fit(x,y)  # fixed!

这不是唯一的解决方案（您可以将build_fn 设置为适当地实现call 方法的类），而是对我有用的解决方案。希望对你有帮助！

【讨论】：

@matsuninja 你知道如何将参数传递给函数吗？我想做一个更通用的nn_model 函数，具有不同的层大小和这样的参数...

@Luis，在上面的示例中，请记住 nn_model 函数内部的代码定义了模型参数（包括层大小等）。我提出的解决方案（同样，只是少数替代方案之一）将函数 nn_model 作为 build_fn 值传递。为了设置模型参数，修改 nn_model 函数中的代码；这实际上是 xiao 在定义 nn_model 函数时所做的。希望对您有所帮助。

@matsuninja 我通过将全局变量设置为节点数来解决它。我猜不可能使用 nn_model 函数在这种方法中需要参数...

【参考方案2】：

用户定义的关键字参数传递给__init__()，也就是说，所有给__init__()的关键字参数将直接传递给model_build_fn。例如，调用KerasClassifier(myparam=10) 将导致model_build_fn(my_param=10)

这是一个例子：

class MyMultiOutputKerasRegressor(KerasRegressor):
    
    # initializing
    def __init__(self, **kwargs):
        KerasRegressor.__init__(self, **kwargs)
        
    # simpler fit method
    def fit(self, X, y, **kwargs):
        KerasRegressor.fit(self, X, [y]*3, **kwargs)

(...)

def get_quantile_reg_rpf_nn(layers_shape=[50,100,200,100,50], inDim= 4, outDim=1, act='relu'):
          # do model stuff...

(...) 初始化 Keras 回归器：

base_model = MyMultiOutputKerasRegressor(build_fn=get_quantile_reg_rpf_nn,
                                         layers_shape=[50,100,200,100,50], inDim= 4, 
                                         outDim=1, act='relu', epochs=numEpochs, 
                                         batch_size=batch_size, verbose=0)