1.问题
在深度学习中，评估模型很重要的一点就是准确率，就是正例预测也是正例的数量占所有预测是正例的数量的比例，但在模型训练中，准确率有时候不是很高，我们就需要来提高准确率，让模型达到我们的要求，
2.方法
在网上我们可以找到很多提高准确率的方法，优化参数，修改模型等等，都可以提高模型的准确率，我们通过学习率的方法来提高最后的准确率，首先我们定义每一批次处理的数据大小，然后计算分批处理次数，mnist.train.num_examples 是训练集的数据大小
还要定义损失函数，来评估模型的好坏
使用梯度下降法，以lr的学习速率，不断修改模型参数来最小化loss
训练时，每次训练要循环n_batch批次.
代码具体如下
最后得到的准确率也大大提高证明这种方法时可以的，相比之前的准确率也大幅提高，而且我们还可以修改一些参数来提高最后的结果
3.结语
针对这次机器学习的模型预测，我们通过学习率的更新，随着迭代次的增加，指数就会下降，还有学习轮数的设定，都是一些方法，希望下次实验我们能完成的更加好。
