learn_rate
学习率，通常位于优化步骤中
- 表示每次结果误差的反馈系数，越大结果反馈误差对模型影响越大，一般取3、1、0.5、0.1、0.01、0.0001···
- 对于深度学习来说，每 t 轮学习，学习率减半。对于监督学习来说，初始设置一个较大的学习率，然后随着迭代次数的增加，减小学习率。
- 大多数的网络的学习率的初始值设置为0.01和0.001为宜
感知器个数（隐藏层数）
层数越多，时间越长，越准确，注意输出神经元的参数不能改变
- 关于隐藏层大小的经验法则是在输入层和输出层之间，为了计算隐藏层大小我们使用一个一般法则：
感知层数 =（输入大小+输出大小）*2/3 -
EPOCH_NUM
训练轮数，通常位于训练步骤的迭代中
- 数越大时间越长，越拟合（你训练的模型越较真（二哈是二哈，不是狗））
- 训练轮数越小，那么你的模型越糊弄（猫看起像狗就认为它是狗）
尝试用多种不同的值去训练，然后观察对比效果，取最优值