我是一名数据科学家，并且已经思考了一段时间，当我训练一个模型时，它会根据学习率在梯度方向上调整权重，以找到我的指标的最佳精度...因此，从技术上讲，所有这些调整后的权重可以手动生成，并用于找到我给定问题的最佳精度。

因此，我尝试创建一个函数，该函数接收给定模型中所有数字之差（例如学习率例如0.0001）和节点数量（即数组大小）（尽管可以为每一层创建权重可能性）也可以是参数）。

（为此，我只会使用一层。）

我尝试自己创建此文件，但一开始就失败了，因为它背后的逻辑破坏了我的大脑XD：

num = 1
lr=0.01
nodes = 100
all_posib = []
for a in range(nodes):
    llist = []
    for b in range(nodes):
        llist.append((num)*lr)
    for c in range(nodes):
        for d in range(nodes):
            llist2 = llist.copy()
            llist2[c] = ((num)*lr+(num+d)*lr)
            llist2 = [np.array([llist2])]
            all_posib.append(llist2)

首先，这还不完整，但是应该大致了解我想做什么。 其次，这需要以某种方式进行矢量化处理，或者存在可以使其更好地实现的功能，因为它已经花费了相当多的时间来加载。 第三，我知道在任何情况下都要花很长时间才能装载重物，但是我可能要等上几个晚上。

这是一个我可能会使用的模型示例：P，我最喜欢将其放在一个循环中，然后检查哪个权重组提供最佳的准确性：

def build_model():
    model = models.Sequential()
    model.add(layers.Dense(100,activation = "relu",input_shape = (train_data.shape[1],)))
    model.add(layers.Dense(1))
    model.compile(optimizer = 'Adam',loss = 'mse',metrics = ['mae'])
    return model

model = build_model()
model.set_weights(llist_weights)
test_mse_score,test_mae_score = model.evaluate(test_data,test_targets)

因此，如果您不想运行以上示例，则我需要的输出基本上是给定节点/大小的所有可能权重的列表：

示例：

[[0，0，0，0.1]，[0，0，0，0.2]，[0，0，0，0.3]，

[0，0，0.1，0.1]，[0，0，0.2，0.1]，[0，0，0.3，0.1]，

[0，0.1，0.1，0.1]，[0，0.2，0.1，0.1]，[0，0.3，0.1，0.1]，

[0.1、0.1、0.1、0.1]，[0.2、0.1、0.1、0.1]，[0.3、0.1、0.1、0.1]

甚至可以列出所有想要的值，例如[0，0.1，0.2，0.3，0.4，0.5，0.6]，然后创建大小为4的所有可能组合（我的逻辑问题是想要的值比大小更大）数组，所以我也不知道如何在逻辑上合并它）

如果可以的话，请帮我解决这个问题，对于我的余生来说，这确实是一个很大的帮助（当然对我的XD也是如此）。 预先感谢！