KerasTuner已封装随机搜索、Hyperband、贝叶斯优化等策略，无需手写搜索逻辑；关键在于model_builder函数必须返回编译好的模型，且compile()中optimizer、loss、metrics需支持hp动态参数，input_shape须固定，tuner.search()的输入数据类型与validation_data格式须严格匹配。
直接用 keras_tuner 就行，不用自己手写搜索逻辑 —— 它已封装好随机搜索、Hyperband、贝叶斯（需额外装 scikit-optimize）等策略，和 TensorFlow 2.x+Keras 原生兼容，关键是要把 model_builder 和搜索器初始化写对，否则会卡在 tuner.search() 报错或返回无效结果。
model_builder 函数必须返回编译好的模型
这是最常踩的坑：很多人只定义结构、忘了 compile()，或者把 hp 参数漏传进 optimizer/loss。KerasTuner 在每次 trial 中都会调用这个函数新建一个模型，它必须是“开箱即用”的完整实例。
-
model.compile()必须显式调用，且optimizer、loss、metrics都得支持hp动态值（比如learning_rate=hp.Choice(...)） - 输入层 shape 要固定，不能依赖 batch 维度；
input_shape写成(28, 28)或(28, 28, 1)，别写(None, 28, 28) - 避免在
model_builder里做数据预处理（如tf.image.resize），那属于search()的x/y输入职责
选对 tuner 类型影响收敛速度和资源消耗
kt.RandomSearch、kt.Hyperband、kt.BayesianOptimization 行为差异很大，不是换名字就能用——选错会导致早停、重复试验、或根本搜不到好点。
-
kt.RandomSearch最稳，适合初筛空间（max_trials ），但无记忆，不利用历史试验结果 -
kt.Hyperband对 epoch 敏感，要求max_epochs设置合理（比如 10–50），且内部会动态缩减 trials 数量；若你训练一个 trial 只跑 1 epoch，它可能直接砍掉 90% 的配置 -
kt.BayesianOptimization需要scikit-optimize，且objective必须是标量（如'val_accuracy'），不能是'val_loss'加负号这种手动 hack；它对超参数维度敏感，>10 维时容易陷入局部最优
tuner.search() 的参数顺序和验证数据格式极易出错
TensorFlow 数据加载方式（tf.data.Dataset vs NumPy array）和 validation_data 格式不匹配，会导致 ValueError: Failed to find data adapter 或静默跳过验证。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
立即学习“Python免费学习笔记（深入）”；
-
x和y必须同类型：都是 NumPy array，或都是tf.data.Dataset；混用必报错 -
validation_data接收元组(x_val, y_val)或(x_val, y_val, sample_weight)，不能传tf.data.Dataset的 validation split（除非你用validation_split=0.2） -
batch_size必须显式传给search()，即使 model 已设默认 batch；不传会 fallback 到 32，可能和你的数据尺寸冲突 -
epochs是每个 trial 的最大训练轮数，不是总轮数；max_trials=10+epochs=5= 最多跑 50 个 epoch，不是 10×5 个模型
获取结果时注意 trials 状态和 metrics 可用性
tuner.get_best_models() 返回的模型未必能直接用——如果某个 trial 训练中途失败（OOM、NaN loss），它可能没保存 checkpoint，get_best_models() 会返回空列表或 fallback 到次优 trial。
- 先运行
tuner.results_summary()查看各 trial 状态：COMPLETED、FAILED、INVALID -
objective名称必须和model.compile(metrics=[...])中的 key 一致；比如你 metrics 写了['acc']，但 objective 设'val_accuracy'，就找不到指标 -
tuner.oracle.get_trial(trial_id).score可查原始分数，比get_best_hyperparameters()[0].values更可靠，因为后者不包含 trial 运行状态 - 保存 tuner 实例要用
pickle，但注意tf.keras.Model对象不能被 pickle；建议只存tuner元信息，模型单独用save_weights_only=True保存
真正麻烦的不是写几行 tuner.search()，而是当 val_accuracy 卡在 0.82 不动时，你得判断是搜索空间太窄、objective 拼错了、还是某个 hp 导致梯度爆炸——这时候 tuner.oracle.trials 里的每个 trial 的完整日志和 metrics 曲线才是唯一可信依据。
