有一些函数，只有非常深的神经网络能学会，而更浅的模型则不行
所以先去尝试逻辑回归，尝试一层然后两层隐含层，然后把隐含层的数量看做是另一个可以自由选择大小的超参数，然后再保留交叉验证数据上评估，或者用你的开发集来评估。
超参数：比如算法中的learning rate （学习率）、iterations(梯度下降法循环的数量)、L（隐藏层数目）、n（隐藏层单元数目）、choice of activation function（激活函数的选择）都需要你来设置，这些数字实际上控制了最后的参数和的值，所以它们被称作超参数。
深度学习的应用还很经验性，基本通过Idea->Code->Experiment循环的方式进行提升，即测试不同的值然后看是否能收敛在更小的损失函数上。
另外，最优值可能会变化，由于电脑也会变化。文中提出一条经验规律：经常试试不同的超参数，勤于检查结果，看看有没有更好的超参数取值，你将会得到设定超参数的直觉。