使用Keras Tuner训练模型时遇HyperModel.fit()返回值错误求助

核心错误原因 #

• 未指定优化目标：创建RandomSearch时未传入objective参数，Keras Tuner默认要求模型训练后返回单个float值作为优化依据，但model.fit()默认返回的是History对象，因此触发错误。
• 损失函数与任务不匹配：模型输出层为Dense(10, activation='softmax')（适用于10分类任务），但编译时使用了回归任务的mean_absolute_error损失，逻辑矛盾导致指标异常。
• 代码与描述不符：你提到训练LSTM模型，但代码中未使用layers.LSTM层，实际构建的是全连接网络。

分步解决步骤 #

1. 指定Keras Tuner的优化目标 #

在初始化RandomSearch时添加objective参数，Keras Tuner会自动从训练History中提取对应指标：

tuner = RandomSearch(
    build_model,
    max_trials=20,
    executions_per_trial=5,
    objective='val_accuracy'  # 可根据需求替换为'val_loss'
)

2. 修正损失函数与模型编译配置 #

针对多分类任务，替换损失函数并添加评估指标：

• 若标签为整数格式（如0-9的数字标签）：

model.compile(
    optimizer=keras.optimizers.Adam(hp.Choice('learning_rate', values=[1e-2, 1e-4])),
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

• 若标签为one-hot编码格式：

model.compile(
    optimizer=keras.optimizers.Adam(hp.Choice('learning_rate', values=[1e-2, 1e-4])),
    loss='categorical_crossentropy',
    metrics=['accuracy']
)

3. 修复变量名笔误 #

代码中best_model.fit(img_train, label_train, ...)的变量名与前面的x_train、y_train不一致，需统一：

history = best_model.fit(x_train, y_train, epochs=50, validation_split=0.2)

4. （可选）改为LSTM模型 #

如果确实需要训练LSTM模型，调整网络结构以适配序列输入（输入形状需为(时间步长, 特征数)）：

def build_model(hp):
    model=keras.Sequential()
    # 替换为LSTM层，需根据你的数据调整时间步长参数
    model.add(layers.LSTM(units=hp.Int('lstm_units', 64, 128, step=16), 
                          input_shape=(时间步长, totalColumns)))
    for i in range(hp.Int('dense_layers',2,8)):
        model.add(layers.Dense(units=hp.Int('units_'+str(i),50,100,step = 10),
                               activation=hp.Choice('act_'+str(i),['relu','sigmoid'])))
    model.add(layers.Dense(10,activation='softmax'))
    model.compile(
        optimizer=keras.optimizers.Adam(hp.Choice('learning_rate', values=[1e-2, 1e-4])),
        loss='sparse_categorical_crossentropy',
        metrics=['accuracy']
    )
    return model

内容的提问来源于stack exchange，提问作者Sanchit Jain