Как передать параметр функции Scikit-Learn Keras

У меня есть следующий код, используя Keras Scikit-Learn Wrapper, который отлично работает:

from keras.models import Sequential
from keras.layers import Dense
from sklearn import datasets
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import StratifiedKFold
from sklearn.model_selection import cross_val_score
import numpy as np


def create_model():
    # create model
    model = Sequential()
    model.add(Dense(12, input_dim=4, init='uniform', activation='relu'))
    model.add(Dense(6, init='uniform', activation='relu'))
    model.add(Dense(1, init='uniform', activation='sigmoid'))
    # Compile model
    model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
    return model


def main():
    """
    Description of main
    """


    iris = datasets.load_iris()
    X, y = iris.data, iris.target

    NOF_ROW, NOF_COL =  X.shape

    # evaluate using 10-fold cross validation
    seed = 7
    np.random.seed(seed)
    model = KerasClassifier(build_fn=create_model, nb_epoch=150, batch_size=10, verbose=0)
    kfold = StratifiedKFold(n_splits=10, shuffle=True, random_state=seed)
    results = cross_val_score(model, X, y, cv=kfold)

    print(results.mean())
    # 0.666666666667


if __name__ == '__main__':
    main()

pima-indians-diabetes.data можно загрузить здесь.

Теперь то, что я хочу сделать, - передать значение NOF_COL в параметр функции create_model() следующим образом

model = KerasClassifier(build_fn=create_model(input_dim=NOF_COL), nb_epoch=150, batch_size=10, verbose=0)

С помощью функции create_model(), которая выглядит так:

def create_model(input_dim=None):
    # create model
    model = Sequential()
    model.add(Dense(12, input_dim=input_dim, init='uniform', activation='relu'))
    model.add(Dense(6, init='uniform', activation='relu'))
    model.add(Dense(1, init='uniform', activation='sigmoid'))
    # Compile model
    model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
    return model

Но это не дает этой ошибки:

TypeError: __call__() takes at least 2 arguments (1 given)

Какой правильный способ сделать это?

Ответы

Ответ 1

Вы можете добавить input_dim keyarg в конструктор KerasClassifier:

model = KerasClassifier(build_fn=create_model, input_dim=5, nb_epoch=150, batch_size=10, verbose=0)

Ответ 2

Последний ответ больше не работает.

Альтернативой является возврат функции из create_model, так как KerasClassifier build_fn ожидает функцию:

def create_model(input_dim=None):
    def model():
        # create model
        nn = Sequential()
        nn.add(Dense(12, input_dim=input_dim, init='uniform', activation='relu'))
        nn.add(Dense(6, init='uniform', activation='relu'))
        nn.add(Dense(1, init='uniform', activation='sigmoid'))
        # Compile model
        nn.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
        return nn

    return model

Или еще лучше, согласно документации

sk_params принимает как параметры модели, так и параметры подгонки. Параметры легальной модели являются аргументами build_fn. Обратите внимание, что, как и все другие оценщики в scikit-learn, build_fn должен предоставлять значения по умолчанию для своих аргументов, чтобы вы могли создать оценщик без передачи каких-либо значений в sk_params.

Таким образом, вы можете определить свою функцию следующим образом:

def create_model(number_of_features=10): # 10 is the *default value*
    # create model
    nn = Sequential()
    nn.add(Dense(12, input_dim=number_of_features, init='uniform', activation='relu'))
    nn.add(Dense(6, init='uniform', activation='relu'))
    nn.add(Dense(1, init='uniform', activation='sigmoid'))
    # Compile model
    nn.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
    return nn

И создайте обертку:

KerasClassifier(build_fn=create_model, number_of_features=20, epochs=25, batch_size=1000, ...)