通过遵循Tensorflow的教程并阅读一些关于神经网络的基本内容，我使用Python和Tensorflow库构建了一个神经网络模型。

目前，我的“.csv”文件数据如下：

AT  V   AP  RH  PE14.96   41.76   1024.07 73.17   463.2625.18   62.96   1020.04 59.08   444.375.11    39.4    1012.16 92.14   488.5620.86   57.32   1010.24 76.64   446.4810.82   37.5    1009.23 96.62   473.926.27   59.44   1012.23 58.77   443.6715.89   43.96   1014.02 75.24   467.359.48    44.71   1019.12 66.43   478.4214.64   45  1021.78 41.25   475.98.....................................

目前，我设计的神经网络可以处理多个输入和多个输出。在上述数据中，我将前三列作为输入，接下来的两列作为输出。因此，一旦我训练了数据，如果我输入14.64,45,1021.78，我希望我的神经网络能够预测输出值41.25和475.98。以下是我的当前代码：

...

我的神经网络架构如下：1) 输入节点(n_inputs)和输出节点(n_classes)分别为3和2。2) 目前，我考虑了两个隐藏层，每层有20个节点。

我需要在以下几点上获得帮助：

1) 如何选择参数“training_epoch”、“learning_rate”和“batch_size”，以便获得更好的准确性？

2) 我对我的神经网络架构仍然不确定。建议使用多少个隐藏层？以及每个隐藏层中的节点数量是多少？

3) 如果在我的数据中，我想使用前两列作为输入，接下来的三列作为输出，那么我可以做哪些更改？我是否也需要更改我的整个架构？

4) 我对我的成本函数也感到不确定。哪一个更适合用于获得更好的准确性？

5) 另外，请告诉我，如果我遗漏了某些重要的参数，这些参数是否值得考虑！

提前感谢！

回答：

你提出的问题相当普遍，如果能发现这些问题的通用答案，那么数据科学家将不复存在，因为机器学习系统的构建过程将被自动化。

1,2,4. 学习率和epoch次数分别是：“越小越好”和“越多越好”。但在实践中，你还需要在宇宙热寂之前完成机器的训练。

通常，你会查看网络在训练数据集上的错误函数值。起初，网络从数据中学习，错误值随着每个epoch的增加而改善。过了一段时间后，网络从数据集中学到了所有能学到的东西，错误值不再改善。此后继续训练就没有意义了。如果错误值已经足够小以满足你的需求，你也可以提前结束训练。

学习率也可以根据错误值的变化来选择。学习率越高，网络完成学习的速度就越快，但如果学习率过高，网络可能会超过参数的最优值，随着时间的推移变得越来越差。因此，你需要在学习速度和准确性之间找到一个折衷。随着epoch计数的增加，降低学习率的情况并不少见。

你还使用了“准确性”这个词，但你首先需要根据你的问题定义它的含义。（实际上，它与成本函数紧密相关。）你描述的问题属于线性/非线性回归（与逻辑回归相对），对于这些问题，均方误差（你的代码中使用的）是常用的。那些交叉熵标准通常更适合分类问题。当然，如果你对数据有一定的领域专业知识，你可以为你的网络设计专门的成本函数。

关于网络的最佳结构没有单一答案。它的复杂性取决于你试图近似的函数。如果输入和输出数据之间的关系是线性的，那么你只需要一个神经元就足够了。一般来说，决定网络结构的任务本身就是一个优化问题。因此，你首先要留出一部分带有答案的测试数据，然后用剩余的数据训练你的网络，然后看看它在之前未见过的测试数据上的表现。你测试网络，修改它，训练它，再次测试。根据网络在训练和测试集上的表现，你决定下一步如何修改它。

3. 你需要更改输入和输出的数量。并且你需要重新训练网络。

此外，这些以及更多基本问题在互联网上的许多课程中都有覆盖，建议你参加这些课程。其中一个课程可以在这里找到。