GridSearchCV的所有可能的可调参数是什么？ （对于param_grid）

Question

我用keras构建了一个ANN，并使用GridSearchCV，以便尝试不同的参数并查看哪种组合将给我最好的结果。

我想知道，我们在Dense-module的图层中定义的所有参数是否都可以在GridSearchCV中进行网格化？ 我对三个参数“ batch_size”，“ epochs”和“ optimizer”有把握。 但是我尝试了激活功能，两天后我的计算机没有完成网格搜索！ 所以我停止了它，现在我正在寻找有关此问题的答案。

最后几行中的代码如下：

def classifier_builder(optimizer):

    classifier = Sequential()
    classifier.add(Dense(units = 8, kernel_initializer = 'uniform',
    activation = 'relu', input_shape =(11,)))
    classifier.add(Dense(units = 8, kernel_initializer = 'uniform', 
    activation = 'relu'))
    classifier.add(Dense(units = 1, kernel_initializer = 'uniform', 
    activation = 'sigmoid'))
    classifier.compile(optimizer = optimizer,
    loss = 'binary_crossentropy', metrics = ['accuracy'])  
    return classifier

classifier = KerasClassifier(build_fn = classifier_builder)
parameters = {"batch_size":[25, 32, 50],
              'epochs':[100, 500],
              'optimizer':['adam', 'rmsprop']}
grid_search = GridSearchCV(estimator = classifier,
                           param_grid = parameters,
                           scoring = 'accuracy',
                           cv = 10)
grid_search = grid_search.fit(X_train, y_train)

因此，我的问题是：是否可以像我上面对batch_size和epochs一样，提供不同的激活函数和内核初始化程序？ 还是在各种激活函数之间进行更改不是一个好主意，因为它每次都会更改神经网络的结构？ 例如这样：

def classifier_builder(optimizer,activ_func1,activ_func2):

    classifier = Sequential()
    classifier.add(Dense(units = 8, kernel_initializer = 'uniform',
    activation = activ_func1, input_shape =(11,)))
    classifier.add(Dense(units = 8, kernel_initializer = 'uniform', 
    activation = activ_func1))
    classifier.add(Dense(units = 1, kernel_initializer = 'uniform', 
    activation = activ_func2))
    classifier.compile(optimizer = optimizer,
    loss = 'binary_crossentropy', metrics = ['accuracy'])  
    return classifier

classifier = KerasClassifier(build_fn = classifier_builder)
parameters = {"batch_size":[25, 32, 50],
              'epochs':[100, 500],
              'optimizer':['adam', 'rmsprop']
              'activ_func1':['relu','elu'],
              'activ_func2':['hard_sigmoid','sigmoid','softplus']}

#and the rest of the code is the same

在此先感谢:)