我正在进行一个TensorFlow项目，其中包含一个用于预测Q值的强化学习系统中的神经网络。我有50个输入和10个输出。一些输入的范围在30到70之间，其余的在0到1之间，所以我只对第一组进行了归一化，使用以下公式：
x_new = (x – x_min)/(x_max – x_min)
虽然我了解神经网络的数学基础，但我没有在实际案例中应用它们的经验，所以我不知道我使用的超参数是否选择得当。目前我使用的超参数是：
- 两个隐藏层，每层分别有10个和20个神经元
- 学习率为0.5
- 批量大小为10（我尝试了不同的值直到256，结果相同）
我无法解决的问题是，这个神经网络的权重只在前两到三个迭代中发生变化，之后就保持不变了。
我在其他帖子中读到，算法找到了局部最优解，输入的归一化是解决这个问题的好方法。然而，在归一化输入后，我仍然处于相同状态。所以，我的疑问是是否有人知道问题可能出在哪里，以及是否有其他技术（如归一化）我应该添加到我的流程中。
我没有在问题中添加任何代码行，因为我认为我的问题更像是概念性的。然而，如果需要更多细节，我会添加的。
回答：
你可以检查的一些提示：
