为什么Keras Tuner的hp.Fixed固定超参数与直接使用静态值结果不同

核心问题出在超参数的注册顺序逻辑上：
Python的函数参数会在函数调用前完成求值，你调用_param方法时直接把hp.Int('units', 1, 200, step=5)作为默认参数传入，无论config里是否存在对应的固定参数，hp.Int都会先执行，直接把units注册为可搜索的超参数。后续hp.Fixed因为和已注册的超参数同名产生冲突，被调优器直接忽略，最终你设置的固定参数完全不生效，调优器仍然会遍历所有参数取值。

调整_param方法的逻辑，仅当没有配置固定值时，再构造可搜索的超参数，避免提前注册不需要的搜索空间：

class MyModel(kt.HyperModel):
    def __init__(self, **config):
        self.config = config
        self.seed = config.get('seed')
        self.name = "my_model" # 补充原代码缺失的name属性
    
    def build_model(self):
        model = Sequential(name=self.name)
        model.add(LSTM(self.units, name='LSTM'))
        model.add(Dense(1, name='Output', kernel_initializer=GlorotUniform(seed=self.seed)))
        model.compile(loss='mean_squared_error', metrics='mean_squared_error', sample_weight_mode='temporal')
        return model
    
    def _param(self, hp, key, search_type=None, **search_kwargs):
        # 优先使用传入的固定值
        value = self.config.get(key)
        if value is not None:
            return hp.Fixed(key, value)
        # 无固定值时才创建可搜索超参数
        if search_type == "int":
            return hp.Int(key, **search_kwargs)
        elif search_type == "float":
            return hp.Float(key, **search_kwargs)
        elif search_type == "choice":
            return hp.Choice(key, **search_kwargs)
        else:
            raise ValueError(f"不支持的超参数搜索类型：{search_type}")

    def build(self, hp):
        self.units = self._param(hp, 'units', search_type='int', min_value=1, max_value=200, step=5)
        return self.build_model()

修复完成后可以调用tuner.search_space_summary()查看搜索空间，确认需要固定的参数已经被标记为Fixed类型，没有对应的取值范围，此时调优结果就会和直接传入静态值完全一致。

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