1 调参
今天我们以著名的Tensorflow游乐场为例，体验“调参侠”的“快乐”！
参考链接：Tensflow游乐场
码住，我们先了解一下网站是干嘛的：
我们先选择第三个数据集，调参模拟训练一下：
训练结果：
我们再试一个圈圈数据集：
我们思考，它需要几个神经元呢？
我们定性分析一下，还是看图说话，一个神经元是一条直线，三个神经元形成三条直线刚好形成闭合的形状。
如此看来，我们需要三个神经元作为一层隐藏层，然后把三个神经元的计算结果通过一个输出层神经元汇合，通过sigmoid函数修饰一下，就可以了。
果然，最后的输出结果：等高线完美的分割了这两类豆豆
我们再来试试第二个数据集：
这个数据集其实是感知器最初发展阶段，困扰研究人员很多年的一个问题：
但现在我们知道只需要三个神经元即可分割：
我们再来看最后一个蚊香一样的螺旋形数据集：
很明显，只有一层三个神经元的隐藏层的神经网络，在这种复杂的数据集上表现十分疲软，那我们就用更深、神经元数量也更多的网络来尝试一下。
我们增加到三层隐藏层，每层有四个神经元：
然而训练结果，动也不动，这是因为我们的老伙计“sigmoid”激活函数的问题。
我们之前说过之所以选择sigmoid函数作为激活函数，那是因为相比于阶跃函数处处可导，且导数处处不为0，这样我们反向传播算法，梯度下降求导很是方便
但我们发现一旦原离中心点，虽然仍旧可导，导数不为0，但是导数却及其的小，这样梯度下降就很难进行。
所以我们一般使用relu算法：
