如何对'hidden_layer_sizes'的取值调参，写出代码

hidden_layer_sizes 是一个整数或整数元组，表示 MLP 的隐藏层数和每层的神经元数。

在调参时，我们通常从少到多地尝试不同的层数和神经元数，以找到合适的模型。例如，你可以从一个单隐藏层的模型开始，然后尝试两个或三个隐藏层。在每层的神经元数方面，你也可以从少到多地尝试不同的数量。

要实现这个过程，你可以使用循环来尝试不同的参数值，并使用交叉验证来评估模型的性能。例如，下面的代码使用了 scikit-learn 中的 MLPClassifier 和 GridSearchCV，在 1 到 10 个隐藏层和 10 到 100 个神经元的范围内搜索最优的 hidden_layer_sizes 值：

from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import GridSearchCV

# 定义 MLP 模型
model = MLPClassifier()

# 定义参数网格
param_grid = {
    'hidden_layer_sizes': [(n_neurons,)*n_layers for n_layers in range(1, 11)
                           for n_neurons in range(10, 101)],
}

# 初始化网格搜索
grid_search = GridSearchCV(model, param_grid, cv=5)

# 运行网格搜索
grid_search.fit(X_train, y_train)

# 输出最优参数
print(grid_search.best_params_)

在这段代码中，我们使用了一个嵌套循环来枚举不同的层数和神经