试验1

试验1是我们用100个数据图像，其中89个数据图像作为训练集，11个为测试集。一开始跑的时候采用了单一变量法的原理，毫无方向的调参数。

前五次我以为权重那个次方对准确率有影响，于是以权重次方为因变量，准确率为自变量

然后发现这个因素并不是主要影响因素，所以决定不再考虑这个因素的变化，设回原始值。再来考虑隐层层数的影响（这里为啥只考虑隐层，不考虑输入和输出，前面的代码分析有提及https://www.jianshu.com/writer#/notebooks/40513533/notes/60513797）

通过隐层的变化可以看出，在300的时候准确率明显比较高，然后固定隐层为300，改变学习率

我们发现当隐层层数为300的时候，学习率为0.001和0.0088都能跑到准确率百分之八十以上，这两者其实数值差不多，我就选择隐层层数300，学习率0.001是目前为止的最佳参数，然后固定这两个参数，改变训练次数的数值

然而此时默认为训练次数5，隐层层数300，学习率为0.001，准确率为0.8181.

现在目前确定的有三个变量直接影响准确率，即方程有三个变量x,y,z。通过固定一个变量，同时改变其他两个变量，我先固定学习率为0.001.得出

可以发现当训练次数为7次，隐层层数200，学习率0.001时，准确率为0.90，有些空格没有数据，是因为跑一次非常费时间，跑出来，没有找到相关性的数据，没有列出来，此时已经凌晨四点了，我不是传递我有多辛苦的信号，我是想说调参必须花大量精力，去得出大量的数据，然后分析数据。

试验2

因为测试集的问题，准确率迟迟达不到0.99，我就把测试集跟训练集合并成一个数据集，将这个数据集即用来做训练集又用来做测试集（书里有说，这样调出来的参数，用来测测试集的准确率比较高，但实际运用中的准确率比较不理想,但我是想验证一下，能不能跑到0.99）结果测试如下

最后还是没跑到0.99，我就换了一个大的数据集，来到试验3

试验3

试验3中的训练集数据6万个，测试集2万个，结果我参数都没怎么调，一跑就百分之九十以上，达到我们需要的目的。

从三个试验中总结出神经网络如果要预测出准确率高，则数据集要大，再者就是参数要好，通过试验1、2可以看出，在数据集比较小的情况下，我们可以通过调节参数，来尽可能的是准确率提高，通过试验3得出，神经网络在大量数据学习之后的准确率比较大，所以我们不但要有一个庞大的数据集，而且还要有一个最优的参数，两者的结合，才能是我们的模型准确的预测我们想要的结果，从而使误差降到最低。

如果有不对的地方，或者有更好的方法，还望大家指点

链接：代码和数据文件https://pan.baidu.com/s/1yY1NGSvosneUGsxDupvrgg

提取码：rrq2