在神经网络中存在参数 lr、误差、迭代。

我在我的代码中使用了这个库：

trainer.train(trainingSet, {
            rate: getParametersAnn(tipo,parametros).lr,//0.003
            iterations: 20000,
            error:getParametersAnn(tipo,parametros).error,//0.005
            shuffle: true,
            log: 10,
            cost: synaptic.Trainer.cost.CROSS_ENTROPY,

建议 lr 太小而不能在溶液中沉淀

网格搜索应该搜索哪些参数？

还是应该使用库的默认参数？

用这个参数

rate: 0.001,
            iterations: 2000,
            error: 0.1,
            shuffle: true,
            log: 1,
            cost: synaptic.Trainer.cost.CROSS_ENTROPY

结果是：

iterations 1 error 0.5826960676804478 rate 0.001
iterations 2 error 0.24274412100103793 rate 0.001
iterations 3 error -0.1024786307448624 rate 0.001
iterations 1 error 0.5714651392530429 rate 0.001
iterations 2 error 0.30301059323863505 rate 0.001
iterations 3 error 0.062228013069539526 rate 0.001

. . 。ETC。

与

rate: 0.1,
iterations: 20,
error: 0.1,
shuffle: true,
log: 1,
cost: synaptic.Trainer.cost.CROSS_ENTROPY

iterations 1 error -7.352525710025565 rate 0.1
iterations 1 error -11.137117275284693 rate 0.1
iterations 1 error -8.64864011321306 rate 0.1
iterations 1 error -11.165450848337727 rate 0.1
iterations 1 error -11.087407126740619 rate 0.1
iterations 1 error -11.157093359867917 rate 0.1
iterations 1 error -11.139330057051765 rate 0.1
iterations 1 error -11.111847588899709 rate 0.1

看第二个例子的迭代，它没有前进，因为迭代应该如何？