我們從Precentron了解了神經元，進而從神經元組成神經網路，介紹了誤差函數(LossFunction)，再講解了誤差函數
如何透過GradientDecent來Back Propergation整個神經網路，更新參數(也就是學習)。
現在我們已經大致上了解神經網路的原理和基礎，但是我們再訓練神經網路時，超參數的輸入也是重要的一環，
超參數和參數有什麼區別呢？超參數是我們輸入給神經網路，教他們應該要"怎麼學習"，而神經網路在學習時更新的權重和偏差我們稱為"參數"，舉例來說，我們知道Gradient Decent算法可以告訴神經網路，我們的參數往哪個方向走(該
加還是減)但是我們沒有告訴神經網路要走"多大步"，這個告訴神經網路該走"多大步"就是超參數中的Learning Rate，
Learning Rate 很重要嗎？有時候Learning Rate太大我們"跨太大步"會直接把LossFunction的最小值"跨走"，那麼
Learning Rate理當應該很小囉？設太小會造成你"走太小步"，可能走到你老了LossFunction還沒找到最小值，
好了，那麼誰來告訴我我們應該要如何調整Learning Rate，不只是Learning Rate，訓練神經網路很多參數都是這
樣，需要根據經驗，我們如何獲得經驗？TensorFlow Playground提供了完全視覺化的神經網路來幫助我們實驗，
我們可以亂調各種參數來玩玩，看看神經網路學的如何！
重點是TensorFlow Playground大家都可以使用！只要在瀏覽器中搜尋TensorFlow Playground就好了！
看見了嗎？滿滿的參數給你設定，從一開始的資料分布狀況、資料的噪聲，訓練時的Mini-Batch-Size，
到神經網路要有幾層隱藏層，Learning Rate、Ativation Function、連一開始的資料規則化都有，
在這裡旁邊的圖點代表資料，而背景的顏色則是神經網路的預測，右邊的圖可以很明顯的看出，你的神經網路是
Under Fitting還是Over Fitting了，右上角的LossFunction也用圖表的方式來顯示，你可以實驗看看在不同的Learning Rate，Loss Function會快速的還是緩慢的變動，不只觀察變動還要看起伏大小！這些都可以幫助我們實
驗各種參數，讓我們更清楚的了解各種超參數對模型的影響。