優(yōu)化LSTM超參數(shù)的方法有很多，以下是一些常用的方法：

1. 網格搜索（Grid Search）：這種方法通過遍歷所有可能的參數(shù)組合來找到最優(yōu)解。它的時間復雜度較高，但可以找到全局最優(yōu)解。

from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import GridSearchCV
from keras.models import Sequential
from keras.layers import Dense, LSTM

# 定義模型
model = Sequential()
model.add(LSTM(units=50, return_sequences=True, input_shape=(None, 1)))
model.add(Dense(units=1))

# 定義損失函數(shù)和優(yōu)化器
loss = keras.losses.MeanSquaredError()
optimizer = keras.optimizers.Adam()

# 定義超參數(shù)網格
param_grid = {
    'lstm_units': [50, 100],
    'batch_size': [32, 64]
}

# 使用網格搜索進行訓練
grid_search = GridSearchCV(estimator=model, param_grid=param_grid, cv=5)
grid_search.fit(X_train, y_train)

# 輸出最佳參數(shù)
print("最佳參數(shù)：", grid_search.best_params_)

1. 隨機搜索（Random Search）：這種方法通過隨機選擇參數(shù)組合來尋找最優(yōu)解。它的時間復雜度較低，但可能需要更多的計算資源。

from sklearn.model_selection import RandomizedSearchCV
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import GridSearchCV
from keras.models import Sequential
from keras.layers import Dense, LSTM

# 定義模型
model = Sequential()
model.add(LSTM(units=50, return_sequences=True, input_shape=(None, 1)))
model.add(Dense(units=1))

# 定義損失函數(shù)和優(yōu)化器
loss = keras.losses.MeanSquaredError()
optimizer = keras.optimizers.Adam()

# 定義超參數(shù)網格
param_grid = {
    'lstm_units': [50, 100],
    'batch_size': [32, 64]
}

# 使用隨機搜索進行訓練
random_search = RandomizedSearchCV(estimator=model, param_distributions=param_grid, n_iter=50, random_state=42)
random_search.fit(X_train, y_train)

# 輸出最佳參數(shù)
print("最佳參數(shù)：", random_search.best_params_)

1. 貝葉斯優(yōu)化（Bayesian Optimization）：這種方法通過貝葉斯推斷來估計模型的性能，并自動調整超參數(shù)。它的時間復雜度較高，但可以有效地找到全局最優(yōu)解。

from bayes_opt import BayesianOptimization
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import GridSearchCV
from keras.models import Sequential
from keras.layers import Dense, LSTM

# 定義模型
model = Sequential()
model.add(LSTM(units=50, return_sequences=True, input_shape=(None, 1)))
model.add(Dense(units=1))

# 定義損失函數(shù)和優(yōu)化器
loss = keras.losses.MeanSquaredError()
optimizer = keras.optimizers.Adam()

# 定義超參數(shù)網格
param_grid = {
    'lstm_units': [50, 100],
    'batch_size': [32, 64]
}

# 使用貝葉斯優(yōu)化進行訓練
bayesian_optimization = BayesianOptimization(estimator=model, param_distributions=param_grid, n_iter=50, random_state=42)
best_params = bayesian_optimization.maximize(loss)

# 輸出最佳參數(shù)
print("最佳參數(shù)：", best_params)