在学习了吴恩达老师的单隐层神经网络之后,用python编写了一个单隐层神经网络（github链接）在实际应用发现神经网络的参数很多，之间存在耦合关系，在这里总结一些自己的经验。
测试样例
首先说一下自己的测试样例。我的测试样例有两组，都是二分类问题。第一组，由中心在（1,1）和（2,2），方差都为0.4的正态分布构成，每个分布都有100个采样点，中心在（1,1)的采样点标记为0，中心在（2,2）标记为1。很明显这是一个简单的二分类问题。第二组有三个分布，中心在（1,1），（2,2），（3,3）。其中中心在（1,1）和（3,3）的采样点各有50个，标记为0。中心在（2,2）的采样点有100个，标记为1。这是一个非线性分类问题
程序功能
然后说明一下我的程序实现的功能。这个程序只针对单隐层神经网络，但是各层神经结点数据可变，且每层结点的激活函数可选。目前实现了sigmoid函数，tanh函数，ReLU函数和leaky ReLU函数。
可调参数
那么对于这样的测试环境与样例，可以调整的参数有，隐藏层神经节点数目，每次改进的步进常数，目标准确率，最大迭代次数，隐藏层的激活函数。
对于隐藏层的神经节数目，刚开始预估样本空间的复杂程度，设置尽可能少的数目。例如对于一个线性可分的问题，两个就可以了。至于再复杂的可以安排8个或者以上。
建议将步进常数设定为0.01或者更小，防止参数不收敛。
目标准确率一开始可以设定为0.9
迭代次数可以设置为1000或者更高，这个要结合样本量具体考量。总之在可以接受的时间范围内，将迭代次数设置的大一点。
我个人建议先使用tanh函数作为隐藏层的激活函数。虽然ReLU函数收敛快，但如果步进常数或者隐藏层结点数目一开始设置不好，很容易产生震荡，无法收敛。相反tanh函数就稳定一点。
调整顺序
在调参中，我们先调整步进常数。就是观察成本函数下降的速率，修正步进常数，一方面快速下降，另一方面防止不收敛。调整合适之后再调整隐藏层结点数目。逐渐增加，准确率理论上应该是先增大，后减小。找到合适的结点数目。最后逐步调高目标准确率。若一切稳定可以将激活函数换为ReLU函数在细调一下。