500个数据，30个特征，建立卷积神经网络回归，同时进行调参，用代码表示

这里提供一个简单的卷积神经网络回归模型的代码示例，以及如何进行调参：

1. 准备数据集

首先，我们需要准备用于训练和测试的数据集。假设我们有一个包含500个样本和30个特征的数据集，我们可以使用numpy和sklearn库来生成一个随机的数据集：

import numpy as np
from sklearn.model_selection import train_test_split

# 生成随机数据集
X = np.random.rand(500, 30)
y = np.random.rand(500)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

2. 建立模型

接下来，我们需要建立一个卷积神经网络模型。这里我们使用Keras库，它提供了一个方便的API来定义神经网络模型：

from keras.models import Sequential
from keras.layers import Conv1D, MaxPooling1D, Flatten, Dense

model = Sequential()
model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(30, 1)))
model.add(MaxPooling1D(pool_size=2))
model.add(Flatten())
model.add(Dense(50, activation='relu'))
model.add(Dense(1, activation='linear'))

model.compile(loss='mean_squared_error', optimizer='adam')

这个模型有一个1D卷积层，接着是一个最大池化层，然后是一个Flatten层，用于将卷积层的输出展平。接着是两个全连接层，最后输出一个线性层。

3. 训练模型

使用train_test_split函数划分好数据集之后，我们可以使用fit函数训练模型：

history = model.fit(X_train.reshape((400, 30, 1)), y_train, validation_data=(X_test.reshape((100, 30, 1)), y_test), epochs=50, batch_size=10)

这里需要注意的是，我们需要将数据集reshape成(样本数, 特征数, 1)的形式，因为卷积层需要输入3D张量。

4. 调参

调参是一个比较复杂的过程，需要多次尝试不同的超参数组合。这里我们只介绍一些常用的调参方法。

- 调整学习率：学习率是训练神经网络时最重要的超参数之一。如果学习率太小，模型训练时间会变得非常长；如果学习率太大，模型会发散。我们可以尝试不同的学习率，找到一个合适的值。

from keras.optimizers import Adam

learning_rates = [0.1, 0.01, 0.001, 0.0001]
for lr in learning_rates:
    opt = Adam(lr=lr)
    model.compile(loss='mean_squared_error', optimizer=opt)
    history = model.fit(X_train.reshape((400, 30, 1)), y_train, validation_data=(X_test.reshape((100, 30, 1)), y_test), epochs=50, batch_size=10)

- 调整卷积层参数：卷积层的参数包括卷积核大小和卷积核数量。我们可以尝试不同的参数组合，找到一个合适的值。

filters = [32, 64, 128]
kernel_sizes = [3, 5, 7]
for f in filters:
    for k in kernel_sizes:
        model = Sequential()
        model.add(Conv1D(filters=f, kernel_size=k, activation='relu', input_shape=(30, 1)))
        model.add(MaxPooling1D(pool_size=2))
        model.add(Flatten())
        model.add(Dense(50, activation='relu'))
        model.add(Dense(1, activation='linear'))
        model.compile(loss='mean_squared_error', optimizer='adam')
        history = model.fit(X_train.reshape((400, 30, 1)), y_train, validation_data=(X_test.reshape((100, 30, 1)), y_test), epochs=50, batch_size=10)

- 调整其他参数：除了上述两个超参数外，还有其他的超参数需要调整，比如批量大小(batch_size)、全连接层的神经元数量等。我们可以尝试不同的参数组合，找到一个合适的值。

batch_sizes = [10, 20, 50]
neurons = [50, 100, 200]
for bs in batch_sizes:
    for n in neurons:
        model = Sequential()
        model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(30, 1)))
        model.add(MaxPooling1D(pool_size=2))
        model.add(Flatten())
        model.add(Dense(n, activation='relu'))
        model.add(Dense(1, activation='linear'))
        model.compile(loss='mean_squared_error', optimizer='adam')
        history = model.fit(X_train.reshape((400, 30, 1)), y_train, validation_data=(X_test.reshape((100, 30, 1)), y_test), epochs=50, batch_size=bs)

这里只是简单地介绍了一些常用的调参方法，实际上调参过程是比较复杂的，需要多次尝试不同的超参数组合，才能找到一个最优的模型。