1、First of All: Read The Fucking Source Code

import autokeras as ak
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error# 生成數據集
np.random.seed(42)
x = np.random.rand(1000, 10)  # 生成1000個樣本，每個樣本有10個特征
y = x.dot([0.5, -1.5, 2.0, -0.8, 1.2, -0.3, 0.7, -1.1, 0.4, -0.6]) + 3.0  # 生成目標變量# 劃分訓練集和測試集
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=42)input_node = ak.Input()
output_node = ak.DenseBlock()(input_node)  # 數值特征處理層
output_node = ak.RegressionHead()(output_node)# 初始化AutoModel，指定為回歸任務
regressor = ak.AutoModel(inputs=input_node,  # 指定輸入節點outputs=output_node,  # 指定輸出節點overwrite=True,  # 覆蓋之前的搜索結果max_trials=2  # 最大嘗試次數
)# 訓練模型
regressor.fit(x_train, y_train, epochs=10)# 評估模型
predictions = regressor.predict(x_test)
mse = mean_squared_error(y_test, predictions)
print('Mean Squared Error: {:.2f}'.format(mse))# 顯示最佳模型信息
model = regressor.export_model()
model.summary()

?注：以上基于AutoKeras 2.0版本回歸測試的例子，特別使用了通用的AutoModel的寫法，其1.1版本不支持。

2、代碼結構簡介

AutoKeras是一個基于Keras的自動機器學習庫，它能夠自動搜索最優的神經網絡架構。上述為一個簡單的回歸任務示例代碼，主要包含以下部分：

1. 生成模擬數據集并進行訓練/測試集劃分
2. 定義AutoKeras的輸入輸出節點
3. ?配置并訓練AutoModel
4. ?預測并計算均方誤差
5. ?查看最佳模型結構

3、AutoModel輸入輸出說明

input_node = ak.Input()
output_node = ak.DenseBlock()(input_node) ?# 數值特征處理層
output_node = ak.RegressionHead()(output_node)

輸入部分：

• input_node = ak.Input()?創建輸入節點
• 無需指定輸入形狀，AutoKeras會自動推斷

處理層部分：

• DenseBlock()?處理數值特征
• 通過函數式API連接：output_node = ak.DenseBlock()(input_node)

輸出部分：

• RegressionHead()?指定回歸任務
• 同樣使用函數式API連接

AutoModel配置：

1. inputs參數接收輸入節點
2. outputs參數接收輸出節點

?