背景：我用Python编写了一个三层神经网络，采用小批量随机梯度下降，专门用于识别来自着名iris data set的三类虹膜植物。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），输出层有三个神经元（每个物种一个）。所有神经元都使用乙状结肠激活功能。
问题：损失（均方误差）通常会随着时间的推移而降低，但精度（通常低于55.55％甚至33.33％）是停滞不前的。我尝试过尝试不同的纪元迭代次数和学习率，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。我相当肯定我的数学，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文件即可。 （确保repo中的iris.txt文件位于同一目录中）
问题：如何提高神经网络的性能？
链接到GitHub回购：https://github.com/kwonkyo/neural-networks
谢谢！
更新：问题解决了。我在加权和偏置矩阵中加入一个常数值（微批量矩阵之和的数值和），而不是微批量梯度矩阵的总和。已更新的代码已推送到github。