python中神经网络循环的多次迭代

我有一个工作的神经网络循环，所以我可以在我的隐藏层（“节点列表”）中使用预定数量的节点运行神经网络。然后，我计算每个节点数的ROC曲线下的面积，并将其放入列表（“ROC_结果”）中进行绘图。但是，我想在这个循环上循环5次，以获得三个模型（模型1：隐藏层中的20个节点，模型2：隐藏层中的28个节点，模型3：隐藏层中的38个节点）的ROC曲线下的平均面积。当我只在一个模型上尝试它时，它工作得很好，但是当我迭代多个模型而不是迭代模型1 5次，然后迭代模型2 5次，然后迭代模型3 5次…它迭代模型1，然后迭代模型2，然后迭代模型3，它会这样做5次。 这个嵌套循环的目的是让我对每个神经网络模型迭代5次，将每次迭代的ROC曲线下的区域放入一个列表，计算该列表的平均值，然后将平均值放入一个新列表。最后，我想要一个三个数字的列表（每个模型1个），这是该模型5次迭代的ROC曲线下的平均面积。希望我能解释清楚。请要求任何澄清

这是我的密码：

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)

---

像这样构造循环：

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

例如：

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

输出：

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

---

实际上我对这个很感兴趣。我知道这篇文章是两年前写的，但我很好奇你是否还记得这篇文章的实际用途。我知道你想要不同分数的平均值，但这是否有助于你实际决定使用的模型的实际预测能力？