首先，我们有一个分类任务。
所以我们使用典型的softmax交叉熵进行分类。

目前课程学习的实施情况如下。

• 首先我们训练我们最好的神经网络版本
• 在最后一个时期，我们得到所有实例的所有交叉熵。因此，较小的交叉熵可以更好地分类，而较大的交叉熵则不太好。
• 然后我们根据交叉熵对实例进行排序。
• 然后我们开始按照课程学习理论的建议从易到难训练实例

请注意，我们已经尝试了各种步骤和重复。因此，在一个示例中，我们选取​​了前 200 个批次，并在进入下一个批次之前对其进行了两次训练，依此类推，直到一个 epoch 完成。
在另一个示例中，我们选取​​前 10 个批次并只训练它们一次，然后是接下来的 10 个和接下来的 10 个，依此类推，直到 epoch 结束。

迄今为止的所有实验都得出结论，神经网络在开始时具有相对较好的准确性，随着更困难的实例的出现，这种情况会变得更糟。最终的精度比预期的要差得多，此外最大精度仍然很差。

为什么这个课程学习不起作用？有什么遗漏吗？