Neural network 利用交叉验证选择apachespark多层感知器的网络结构

我正试图为ApacheSpark中的多层接收器确定最佳架构，我想知道是否可以使用交叉验证

一些代码：

// define layers
int[] layers = new int[] {784, 78, 35, 10};
int[] layers2 = new int[] {784, 28, 28, 10};
int[] layers3 = new int[] {784, 84, 10};
int[] layers4 = new int[] {784, 392, 171, 78, 10};

MultilayerPerceptronClassifier mlp = new MultilayerPerceptronClassifier()
        .setMaxIter(25)
        .setLayers(layers4);

ParamMap[] paramGrid = new ParamGridBuilder()
        .addGrid(mlp.seed(), new long[] {895L, 12345L})
        //.addGrid(mlp.layers(), new int[][] {layers, layers2, layers3})
        .build();

CrossValidator cv = new CrossValidator()
        .setEstimator(mlp)
        .setEvaluator(new MulticlassClassificationEvaluator())
        .setEstimatorParamMaps(paramGrid).setNumFolds(10);

CrossValidatorModel model = cv.fit(train);

如您所见，我在整数数组（layers-layers4）中定义了一些体系结构

实际上，我必须多次拟合模型，手动更改学习算法的layers参数

我想要的是在传递给CrossValidator（ParamMap中注释掉的行）的ParamMap中提供不同的体系结构

我怀疑这是可能的，因为ParamGridBuilder似乎知道layers（）方法，但它不接受提供的参数

---

如果我在这个假设中是正确的，那么我做错了什么？我如何才能让它按预期工作？

看看代码，它在语法上似乎是正确的。 它不工作可能是一个bug，也可能是有意的，因为它在计算上相当昂贵。所以我想不，你不能用简历

我最终使用了以下公式：

Number of units in hidden-layer = ceil((Number of inputs + outputs) * (2/3))

来源：