閒聊，關鍵其實不是你講的那些參數，
而是模型在 testing data 上面的表現到底怎麼樣？(這是一句幹話)
理論上，我說理論上，隱藏層越多越好啊、神經元越多越好啊，但跑得動嗎？
同時還得考量若要達到特定數字的epoch所耗的時間喔~

機器學習的本質，在於探索某個特定範圍的變數，
然後嘗試找出最佳的參數，好讓 training data 的正確率趨近100%，或誤差接近0。
再運用相同的模型去看 testing data 有沒有相同的效果，是否過擬。

但在做上面這件事情時......
機器學習本身你所採用的那個學習方法，所使用的參數內容，卻是你給定的。
所以這邊延伸出一件很哲學的事情：

是不是應該弄一套更大的機器學習，去決定一套機器學習的參數該如何訂定？
是不是應該弄一套又更大的機器學習，去決定那套更大的機器學習的參數如何訂定？

所以你就知道，這種層層堆疊的「尋找最佳參數」的過程，是無止盡的，
換句話說，在硬體技術有更顯著的突破之前，這個哲學議題是大哉問，無解的。

話說回來，目前實務上了不起能做到的，是讓機器學習自己本身嘗試不同的參數，
最後將所有的結果做比較之後，返回一個最佳設定的機器學習參數，
同時告訴你這參數之下，在該份data的最佳模型(參數)是什麼。

但縱使如此，我們也只會嘗試某幾個特定的數字，
例如隱藏層跑[3,4,5]層、神經元跑[2,3,4,5,6]個，之類的，
但光是如此，那個運作時間就已經是會跑到懷疑人生的狀態。

所以應該這樣問，在你已經用極短的時間嘗試出90%的模型正確率時，
你還願意花上200倍的時間，去增加僅僅1%的正確率嗎？
這是邊際效益的問題，也是沒有人去做「尋找最佳參數」的原因。

那到底第一時間拿到資料到底該用什麼參數？直覺之外，就剩下經驗累積了吧。