Keras超參數調優的方法有以下幾種：
網格搜索（Grid Search）：通過遍歷給定的參數組合來尋找最優的超參數組合。這種方法簡單直觀，但計算量較大。
隨機搜索（Random Search）：隨機選擇超參數進行訓練和驗證，通過多次迭代來尋找最優的超參數組合。相比網格搜索，隨機搜索在計算效率上有一定的優勢。
貝葉斯優化（Bayesian Optimization）：基于高斯過程的貝葉斯優化方法，通過構建模型來估計超參數的性能和不確定性，從而選擇最有希望的超參數進行下一輪訓練。
網絡搜索（Hyperband）：通過在不同超參數設置下訓練多個模型，并在每個訓練周期后選擇性能最好的模型進行下一輪訓練，以加速超參數搜索的過程。
進化算法（Evolutionary Algorithms）：通過模擬生物進化的過程，在當前超參數組合的基礎上生成新的超參數組合，并通過適應度函數來評估每個超參數組合的性能，從而不斷優化超參數的選擇。
以上是一些常用的Keras超參數調優方法，根據具體的問題和需求選擇適合的方法進行超參數調優。
