python中神經網絡循環的多次迭代

Question

我有一個正常工作的神經網絡循環，因此可以在我的隱藏層（“ nodes_list”）中使用預定數量的節點來運行神經網絡。 然后，我為每個節點數計算ROC曲線下的面積，並將其放入列表（“ roc_outcomes”）中以進行繪圖。 但是，我想在此循環中循環5次，以得到三個模型中每個模型的ROC曲線下的平均面積（模型1：隱藏層中的20個節點，模型2：隱藏層中的28個節點，模型3：38隱藏層中的節點）。 當我只在一個模型上嘗試時，這很好用，但是當我迭代多個模型而不是對模型1進行5次迭代，然后對模型2進行5次迭代，然后對模型3進行5次迭代時.... 1，然后是模型2，然后是模型3，然后執行5次。 這個嵌套循環的目的是讓我遍歷每個神經網絡模型5次，將每次迭代的ROC曲線下的面積放入列表中，計算該列表的平均值，然后將平均值放入新列表中。 最終，我希望列出三個數字（每個模型一個），這是該模型的5次迭代的ROC曲線下的平均面積。 希望我能很好地解釋這一點。 請要求任何澄清。

這是我的代碼：

nodes_list = [20, 28, 38]  # list with number of nodes in hidden layer per model
roc_outcomes = [] # list of ROC AUC

for i in np.arange(1,6):

    for nodes in nodes_list:
        # Add first layer
        model.add(Dense(units=n_cols, activation='relu', input_shape=(n_cols,)))
        # Add hidden layer
        model.add(Dense(units=nodes, activation='relu'))
        # Add output layer
        model.add(Dense(units=2, activation='softmax'))

        # Compile model
        model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
        # Fit model
        model.fit(X, y, validation_split=0.33, epochs=epochs, callbacks=early_stopping_monitor, verbose=True)

        # Get predicted probabilities
        pred_prob = model.predict_proba(X)[:,1]

        # Calculate area under the curve (logit_roc_auc)
        logit_roc_auc = roc_auc_score(y[:,1], pred_prob) 
        # Append roc scores to the roc_outcomes list
        roc_outcomes.append(logit_roc_auc)

    # Get the mean of that list
    mean_roc = np.mean(roc_outcomes)
    # Append to another list
    mean_roc_outcomes = []
    mean_roc_outcomes.append(mean_roc)

Answer 1

像這樣構造循環：

for nodes in node_list:
    for i in range(0,5):
        #do your stuff

例：

myList = ['a', 'b', 'c']
for item in myList:
    for i in range(0,5):
        print(item, end=", ")

輸出：

a, a, a, a, a, b, b, b, b, b, c, c, c, c, c,