当我们测试一个新的优化算法时，我们需要做哪些过程？例如，我们是否需要多次运行该算法，并选择一个最好的性能，即在准确度、f1 分数等方面，然后做对于旧的优化算法也是如此，还是我们需要计算平均性能，即这些运行的准确性或 f1 分数的平均值，以表明它比旧的优化算法更好？因为当我阅读有关新优化算法的论文时，我不知道他们如何计算性能并绘制 train-loss vs iters 曲线，因为它具有随机效应，并且对于不同的运行，我们可能会得到不同的性能和不同的曲线. 那么我们是比较最佳性能还是平均性能呢？