如何有條件地向Keras模型添加圖層？

Question

這是我到目前為止所做的

import itertools

final_param_list = []

param_list_gen = [[8, 16, 32], ["Sigmoid", "ReLU", "Leaky ReLU"],  [10, 20, 50], [1,2]]
for element in itertools.product(*param_list_gen):
    final_param_list.append(element)

輸出看起來像

[(8, 'Sigmoid', 10, 1), (8, 'Sigmoid', 10, 2), ....]

對於每個列表，每個索引的值是：

index0 = batch size
index1 = activation funtion
index2 = number of nodes
index3 = number of layers

所以在第一個清單中

batch_size = 8
activation='Sigmoid'
units=10
layers=1

我想要做的是遍歷final_param_list = []中的列表，不僅設置每個參數，而且我只想在layers = 2時添加一個隱藏層。 我可以走簡單的路線，只是創建兩個單獨的模型，一個帶有一個隱藏層，另一個帶有兩個隱藏層，然后分別遍歷它們，但是我想做些更優雅的事情。

注意：我知道其中一些可能可以通過gridsearch完成，並且我知道隱藏的第1層和第2層將具有相同的參數。 最終，我將朝着能夠分別調整它們的方向努力，但是目前為止我所描述的解決方案就足夠了。

Answer 1

最終探索了@ mkrieger1在評論中提出的解決方案。 似乎有效。 這是我的代碼。

for param in final_param_list:
    # ------ model 1 - 1 hidden layer ------ #
    # Check to see if we are calling for one or two layers . If one layer then proceed
if param[3] == 1:
    # hidden layer 1
    q2model1.add(Dense(param[0]))
    if param[1] != 'LeakyReLU':
        q2model1.add(Activation(param[1]))
    else:
        q2model1.add(LeakyReLU(alpha=0.1))
    # output layer
    q2model1.add(Dense(class_num, activation='softmax'))

# ------ model 1 - 2 hidden layers ------ #
else:
    # hidden layer 1
    q2model1.add(Dense(param[0]))
    if param[1] != 'LeakyReLU':
        q2model1.add(Activation(param[1]))
    else:
        q2model1.add(LeakyReLU(alpha=0.1))
    # hidden layer 2
    q2model1.add(Dense(param[0]))
    if param[1] != 'LeakyReLU':
        q2model1.add(Activation(param[1]))
    else:
        q2model1.add(LeakyReLU(alpha=0.1))

    # output layer
    q2model1.add(Dense(class_num, activation='softmax'))

q2model1.compile(loss='sparse_categorical_crossentropy', optimizer='RMSProp', 
metrics=['accuracy'])

history = q2model1.fit(X1, y1, epochs=20)