约定：
所有的初始化权值范围，如下，就是说更换激活函数的情况，没有过大的调整初始权重。
if(randomMode==1):
numpy.random.seed(seedWih)
self.wih = numpy.random.rand(self.hNodes, self.iNodes)-0.5
numpy.random.seed(seedWho)
self.who = numpy.random.rand(self.oNodes, self.hNodes)-0.5
else:
numpy.random.seed(seedWih)
self.wih = numpy.random.normal (0.0, pow(self.hNodes,-0.5), (self.hNodes, self.iNodes))
numpy.random.seed(seedWho)
self.who = numpy.random.normal (0.0, pow(self.oNodes,-0.5), (self.oNodes, self.hNodes))
证明神经网络具有学习能力的方案：
为了减少测试时间，
将MNIST_100迭代训练较多次。
然后将其作为测试数据。如果出现了过拟合状态，承认通过训练其具有学习能力。可以进行下述测试：
参数含义：
输入层节点/隐层结点/输出层节点/学习率/初始化权重的分布方案/输入层和隐层的初始化种子/输出层和隐层的初始化种子/使用的激活函数
激活函数为：softmax:
训练1代，达到95.17%的测试识别率。参数为：784/100/10/0.1、rand、4、5、softmax.
训练2代，达到96.16%的测试识别率。参数为：784/100/10/0.1、rand、4、5、softmax.
训练3代，达到96.52%的测试识别率。参数为：784/100/10/0.1、rand、4、5、softmax.
训练4代，达到96.43%的测试识别率。参数为：784/100/10/0.1、rand、4、5、softmax.
训练5代，达到96.56%的测试识别率。参数为：784/100/10/0.1、rand、4、5、softmax.
训练6代，达到96.41%的测试识别率。参数为：784/100/10/0.1、rand、4、5、softmax.
调试参数如下：
inputs = numpy.asfarray( all_values [1:])/255.0*0.99+0.01
targets = numpy.zeros(self.nN.oNodes) + 0.01
targets[int (all_values[0])] = 0.99
fx1=numpy.exp(-final_inputs)/((1+numpy.exp(-final_inputs))*(1+numpy.exp(-final_inputs)))
fx2=numpy.exp(-hidden_inputs)/((1+numpy.exp(-hidden_inputs))*(1+numpy.exp(-hidden_inputs)))
self.who += self.lr * numpy.dot((output_errors * fx1),numpy.transpose(hidden_outputs))
self.wih += self.lr * numpy.dot((hidden_errors * fx2),numpy.transpose(inputs))
激活函数为：softsign:
一点说明：
为什么学习率取值这样
sigmoid*2-1
训练5代，达到65.58%的测试识别率。参数为：784/80/10/0.05、normal、4、5、softsign.
训练10代，达到74.39%的测试识别率。参数为：784/80/10/0.05、normal、4、5、softsign.
训练15代，达到76.49%的测试识别率。参数为：784/80/10/0.05、normal、4、5、softsign.
训练20代，达到83.34%的测试识别率。参数为：784/80/10/0.05、normal、4、5、softsign.
训练25代，达到91.8%的测试识别率。参数为：784/80/10/0.05、normal、4、5、softsign.
训练30代，达到92.43%的测试识别率。参数为：784/80/10/0.05、normal、4、5、softsign.
训练35代，达到92.54%的测试识别率。参数为：784/80/10/0.05、normal、4、5、softsign.
调试参数如下：
inputs = numpy.asfarray( all_values [1:])/255.0*0.5
targets = numpy.zeros(self.nN.oNodes) -0.99
targets[int (all_values[0])] = 0.99
fx1=numpy.exp(-final_inputs)/((1+numpy.exp(-final_inputs))*(1+numpy.exp(-final_inputs)))
fx2=numpy.exp(-hidden_inputs)/((1+numpy.exp(-hidden_inputs))*(1+numpy.exp(-hidden_inputs)))
self.who += self.lr * numpy.dot((output_errors * fx1),numpy.transpose(hidden_outputs))
self.wih += self.lr * numpy.dot((hidden_errors * fx2),numpy.transpose(inputs))
激活函数为：tanh:
训练1代，达到93.57%的测试识别率。参数为：784/80/10/0.05、normal、4、5、tanh.
训练2代，达到94.44%的测试识别率。参数为：784/80/10/0.05、normal、4、5、tanh.
训练3代，达到94.73%的测试识别率。参数为：784/80/10/0.05、normal、4、5、tanh.
训练4代，达到94.47%的测试识别率。参数为：784/80/10/0.05、normal、4、5、tanh.
训练5代，达到95.05%的测试识别率。参数为：784/80/10/0.05、normal、4、5、tanh.
训练6代，达到95.33%的测试识别率。参数为：784/80/10/0.05、normal、4、5、tanh.
训练7代，达到94.86%的测试识别率。参数为：784/80/10/0.05、normal、4、5、tanh.
调试参数如下：
inputs = numpy.asfarray( all_values [1:])/255.0*0.5
targets = numpy.zeros(self.nN.oNodes) -0.99
targets[int (all_values[0])] = 0.99
fx1=numpy.exp(-2*final_inputs)/((1+numpy.exp(-2*final_inputs))*(1+numpy.exp(-2*final_inputs)))
fx2=numpy.exp(-2*hidden_inputs)/((1+numpy.exp(-2*hidden_inputs))*(1+numpy.exp(-2*hidden_inputs)))
self.who += self.lr * numpy.dot((output_errors * fx1),numpy.transpose(hidden_outputs))
self.wih += self.lr * numpy.dot((hidden_errors * fx2),numpy.transpose(inputs))
激活函数为：relu:
部分说明：
关于学习率。过大的学习率导致学习能力丢失，如0.1的学习率在这里过大。
训练1代，达到95.34%的测试识别率。参数为：784/100/10/0.001、rand、4、5、relu.
训练2代，达到96.12%的测试识别率。参数为：784/100/10/0.001、rand、4、5、relu.
训练3代，达到96.65%的测试识别率。参数为：784/100/10/0.001、rand、4、5、relu.
训练4代，达到96.8%的测试识别率。参数为：784/100/10/0.001、rand、4、5、relu.
训练5代，达到96.95%的测试识别率。参数为：784/100/10/0.001、rand、4、5、relu.
训练6代，达到97.08%的测试识别率。参数为：784/100/10/0.001、rand、4、5、relu.
训练7代，达到97.32%的测试识别率。参数为：784/100/10/0.001、rand、4、5、relu.
训练8代，达到97.23%的测试识别率。参数为：784/100/10/0.001、rand、4、5、relu.
调试参数如下：
inputs = numpy.asfarray( all_values [1:])/255.0*0.99+0.01
targets = numpy.zeros(self.nN.oNodes) + 0.01
targets[int (all_values[0])] = 10
final_inputs[final_inputs>0]=1
hidden_inputs[hidden_inputs>0]=1
final_inputs[final_inputs<0]=0
hidden_inputs[hidden_inputs<0]=0
fx1=final_inputs;fx2=hidden_inputs
self.who += self.lr * numpy.dot((output_errors * fx1),numpy.transpose(hidden_outputs))
self.wih += self.lr * numpy.dot((hidden_errors * fx2),numpy.transpose(inputs))
激活函数为：softplus:
训练1代，达到95.62%的测试识别率。参数为：784/100/10/0.001、rand、4、5、softplus.
训练2代，达到96.47%的测试识别率。参数为：784/100/10/0.001、rand、4、5、softplus.
训练3代，达到96.85%的测试识别率。参数为：784/100/10/0.001、rand、4、5、softplus.
训练4代，达到97.06%的测试识别率。参数为：784/100/10/0.001、rand、4、5、softplus.
训练5代，达到97.18%的测试识别率。参数为：784/100/10/0.001、rand、4、5、softplus.
训练6代，达到97.29%的测试识别率。参数为：784/100/10/0.001、rand、4、5、softplus.
训练7代，达到97.34%的测试识别率。参数为：784/100/10/0.001、rand、4、5、softplus.
训练8代，达到97.39%的测试识别率。参数为：784/100/10/0.001、rand、4、5、softplus.
训练9代，达到97.5%的测试识别率。参数为：784/100/10/0.001、rand、4、5、softplus.
训练10代，达到97.54%的测试识别率。参数为：784/100/10/0.001、rand、4、5、softplus.
训练11代，达到97.61%的测试识别率。参数为：784/100/10/0.001、rand、4、5、softplus.
训练12代，达到97.6%的测试识别率。参数为：784/100/10/0.001、rand、4、5、softplus.
调试参数如下：
inputs = numpy.asfarray( all_values [1:])/255.0*0.99+0.01
targets = numpy.zeros(self.nN.oNodes) + 0.01
targets[int (all_values[0])] = 10
fx1=numpy.exp(final_inputs)/(1+numpy.exp(final_inputs))
fx2=numpy.exp(hidden_inputs)/(1+numpy.exp(hidden_inputs))
self.who += self.lr * numpy.dot((output_errors * fx1),numpy.transpose(hidden_outputs))
self.wih += self.lr * numpy.dot((hidden_errors * fx2),numpy.transpose(inputs))