本文介紹Keras一些常見的驗證和調參技巧，快速地驗證模型和調節超參。
小技巧：
CSV數據文件加載Dense初始化警告驗證與調參：
模型驗證（Validation）K重交叉驗證（K-fold Cross-Validation）網格搜索驗證（Grid Search Cross-Validation）Keras
CSV數據文件加載
使用NumPy的 loadtxt() 方法加載CSV數據文件
delimiter：數據單元的分割符；skiprows：略過首行標題；Dense初始化警告
Dense初始化參數的警告：
將init參數替換為 kernel_initializer 參數即可。
模型驗證
在 fit() 中 自動 劃分驗證集：
通過設置參數 validation_split 的值（0~1）確定驗證集的比例。
實現：
在 fit() 中 手動 劃分驗證集：
train_test_split 來源sklearn.model_selection：
test_size ：驗證集的比例；random_state ：隨機數的種子；通過參數 validation_data 添加驗證數據，格式是 數據+標籤 的元組。
實現：
交叉驗證
K重交叉驗證（K-fold Cross-Validation）是常見的模型評估統計。
人工模式
交叉驗證函數 StratifiedKFold() 來源於sklearn.model_selection：
n_splits ：交叉的重數，即N重交叉驗證；shuffle ：數據和標籤是否隨機洗牌；random_state ：隨機數種子；skf.split(X, y) ：劃分數據和標籤的索引。cvscores用於統計K重交叉驗證的結果，計算均值和方差。
實現：
輸出：
Wrapper模式
通過 cross_val_score() 函數集成模型和交叉驗證邏輯。
將模型封裝成wrapper，注意使用 內置函數 ，而 非 調用，沒有括號 () 。epochs 即輪次， batch_size 即批次數；StratifiedKFold是K重交叉驗證的邏輯；cross_val_score 的輸入是模型wrapper、數據X、標籤Y、交叉驗證cv；輸出是每次驗證的結果，再計算均值和方差。
實現：
輸出：
網格搜索驗證
網格搜索驗證（Grid Search Cross-Validation）用於選擇模型的最優超參值。
交叉驗證函數 GridSearchCV() 來源於sklearn.model_selection：
設置超參列表，如optimizers、 init_modes 、epochs、batches；創建參數字典，key值是模型的參數，或者wrapper的參數；estimator是模型， param_grid 是網格參數字典， n_jobs 是進程數；輸出最優結果和其他排列組合結果。實現：
輸出：