背景：我正在用 Python 编写一个三层神经网络，该网络使用小批量随机梯度下降，专门用于从著名的鸢尾花数据集中识别三类鸢尾植物。输入层有四个神经元，一个用于数据中的每个特征。隐藏层有 3 个神经元（但代码允许隐藏层神经元数量的变化），输出层有 3 个神经元（每个物种一个）。所有神经元都使用 sigmoid 激活函数。
问题：损失（均方误差）通常会随着时间的推移而降低，但准确度（通常低于 55.55% 甚至 33.33%）却停滞不前。我尝试过使用不同的迭代次数和学习率进行试验，但没有任何效果。有趣的是，无论输入值是什么，算法的输出通常都是固定的。我相当确定我的数学，因为随着时代数量的增加，损失似乎在减少。
复制问题：只需运行 Python 代码并观察 LEARNING_RESULTS.txt 文件。（确保 repo 中的 iris.txt 文件在同一目录中）
问题：如何提高此神经网络的性能？
GitHub 仓库链接：https ://github.com/kwonkyo/neural-networks
谢谢！
更新：问题解决了。我将一个常数值（小批量矩阵总和的数值总和）添加到权重和偏差矩阵，而不是小批量梯度矩阵的总和。更新的代码已推送到 github。