在这几个月中，进军学习神经网络，从最初的线性回归和分类问题到BP神经网络再到现在的cnn卷积神经网络，不断的学习和试错的一个过程，一个完整的神经网络简单到只要学习率以及偏置和均值方差来纠正loss即可，也可以复杂到调节神经网络的各个神经元的个数，和神经网络的整个结构。
神经网络的调参也有也有一定的随机和偶然性。
1，学习率要保持适中（学习率的衰减程度也要进行调节，保证模型的收敛速率）；
2，模型的数据集要保持一个数量上的庞大；
3，batchsize的大小也要尽可能的调整到一个适合的大小（才能保证模型的迭代的速度以及过拟合的概率）；
4，神经网络的内部结构的选取（基本的迭代器和激活函数的选取）；
5，数据的归一化可以减小神经网络的整个的计算量，和模型的收敛时间；
6，学会使用适当的算法对输入的数据以及输出的数据进行处理（比如各种滤波，减小数据的扰动对整个数据集所造成的影响）
7，模型所涉及的基本机构，例如卷积层的参数选取，卷积核的大小，卷积窗口的数目，卷积移动的步长，是否补0等等参数，都可以参照案例进行修改。
8，loss函数的选取 ，MSE和MAE，RMSE等处理回归问题。
9，引入一种防止过拟合的权重分布，让权重在调整减小LOSS的同时尽量的接近这种分布，这就是正则化（和增加dropout层类似，防止模型的过拟合，提高模型的泛化性）。
末：学习是一个从模仿到创造的一个过程，慢慢来才是最快。

持续更新，有什么好的想法都可以进行讨论。