Keras超参数调优的方法有以下几种：
网格搜索（Grid Search）：通过遍历给定的参数组合来寻找最优的超参数组合。这种方法简单直观，但计算量较大。
随机搜索（Random Search）：随机选择超参数进行训练和验证，通过多次迭代来寻找最优的超参数组合。相比网格搜索，随机搜索在计算效率上有一定的优势。
贝叶斯优化（Bayesian Optimization）：基于高斯过程的贝叶斯优化方法，通过构建模型来估计超参数的性能和不确定性，从而选择最有希望的超参数进行下一轮训练。
网络搜索（Hyperband）：通过在不同超参数设置下训练多个模型，并在每个训练周期后选择性能最好的模型进行下一轮训练，以加速超参数搜索的过程。
进化算法（Evolutionary Algorithms）：通过模拟生物进化的过程，在当前超参数组合的基础上生成新的超参数组合，并通过适应度函数来评估每个超参数组合的性能，从而不断优化超参数的选择。
以上是一些常用的Keras超参数调优方法，根据具体的问题和需求选择适合的方法进行超参数调优。