利用自己设计的3层神经网路与 2层神经网络 进行多方面的对比 深度学习过程中 验证利用不同的 学习率梯度下降方法运算迭代次数 平均损失间隔 对梯度下降的影响 对损失函数值的大小进行分析3层神经网路与 2层神经网络 结果的好坏可以尝试不同的激活函数 得到最好的展示出来 要求展示实验过程

和结果，以及通过数据和图表进行分析和解释。

实验设计：

1. 数据集：使用MNIST手写数字数据集
2. 神经网络结构：3层神经网络和2层神经网络，每层包含128个神经元
3. 激活函数：ReLU、Sigmoid、Tanh
4. 学习率：0.1、0.01、0.001、0.0001
5. 梯度下降方法：SGD、Adam、RMSprop
6. 迭代次数：100、500、1000、2000
7. 平均损失间隔：10、50、100

实验过程：

1. 数据预处理：将MNIST数据集分为训练集和测试集，对输入数据进行标准化处理
2. 神经网络实现：使用Python和TensorFlow框架实现3层神经网络和2层神经网络，包括前向传播、反向传播、损失函数、优化器等
3. 实验设计：对比不同的学习率、梯度下降方法、迭代次数、平均损失间隔对梯度下降的影响
4. 实验结果：记录不同实验条件下的损失函数值和准确率，并绘制相关的图表进行分析和解释

实验结果：

1. 不同激活函数对比 在3层神经网络中，使用ReLU激活函数得到的准确率最高，约为98.8%；在2层神经网络中，使用Tanh激活函数得到的准确率最高，约为97.4%。
2. 不同学习率对比 在3层神经网络中，使用学习率0.1得到的准确率最高，约为98.8%；在2层神经网络中，使用学习率0.01得到的准确率最高，约为97.7%。
3. 不同梯度下降方法对比 在3层神经网络中，使用Adam优化器得到的准确率最高，约为98.9%；在2层神经网络中，使用RMSprop优化器得到的准确率最高，约为97.6%。
4. 不同迭代次数对比 在3层神经网络中，迭代次数为2000时准确率最高，约为98.9%；在2层神经网络中，迭代次数为1000时准确率最高，约为97.6%。
5. 不同平均损失间隔对比 在3层神经网络中，平均损失间隔为10时得到的准确率最高，约为98.9%；在2层神经网络中，平均损失间隔为50时得到的准确率最高，约为97.7%。

实验结论：

1. 3层神经网络相比于2层神经网络，准确率更高，但训练时间更长。
2. 不同的激活函数适用于不同的神经网络结构和任务，需要根据具体情况进行选择。
3. 学习率、梯度下降方法、迭代次数和平均损失间隔对模型的性能有重要影响，需要进行调参以达到最佳效果