- 模型为三层神经网络的深度神经网络模型
- 模型训练的一些超参数都以及设置了函数入口，直接修改即可
- 模型暂时不支持修改超参数改变隐藏层层数
- 模型仅隐藏层增加了dropout，dropout是防止或减轻过拟合而使用的函数，在不同的训练过程中随机扔掉一部分神经元。
也就是让某个神经元的激活值以一定的概率p，让其停止工作，这次训练过程中不更新权值，也不参加神经网络的计算。
但是它的权重得保留下来（只是暂时不更新而已），因为下次样本输入时它可能又得工作了。
keep_prob表示:每个神经元将以keep_prob的概率决定是否输出，设置神经元被选中的概率,在初始化时keep_prob是一个占位符,
keep_prob = tf.placeholder(tf.float32) 。tensorflow在run时设置keep_prob具体的值。 - 其中损失函数使用tf.nn.sigmoid_cross_entropy_with_logits，其与sigmoid搭配使用的交叉熵损失函数，输入不需要额外加一层sigmoid， tf.nn.sigmoid_cross_entropy_with_logits中会集成有sigmoid并进行了计算优化；它适用于故障分类这种类别之间不是相互排斥的应用场景。
- 由于使用了上一条所说的损失函数，所以模型的输出层没有加激活函数，因此在预测的时候，我们需要将它再使用tf.nn.sigmoid函数处理， 将最终每一类结果分布到0-1之间
- 针对以上signoid输出结果我们可以使用阈值来决定最终结果是否为1，来判断是否故障
- 我试过增加隐藏层层数，增加隐藏层维度等等，模型效果依然没有变化
- batch_size大小可以根据性能尽可能设置大一些
- 预测时，结果保存在原文件输入数据的后面，预测时一个excel文件最好只有一张数据表单，不然输出结果后，其他表单数据会丢失