Machine learning 神经网络训练不够好

我在汤姆·米切尔的《机器学习导论》一书中读到一个项目的想法。该项目是关于确定面的方向（左、右、下、直）。我使用我自己开发的神经网络，它可以工作（用XOR、抛物线函数测试…），但不能很好地训练它来正确地确定它们。我得到的最好的例子是43%的正确率，这是相当低的

以下是对该项目的描述：

图像32 x 30，灰度（我使用13人x 32图像作为训练示例，4人x 32图像作为测试）

神经网络：3层-输入、隐藏、输出

32 x 30输入单位

3个隐藏单元，使用Sigmoid作为传递函数

1个输出单元，使用线性作为传递函数

输出：0.2=左侧；0.4=向下；0.6=右；0.8直

学习率=动量=0.3

权重和偏差设置为随机小值

在25000次迭代之后，我仍然只有大约40%的正确率。他们设法在书中找到了答案 90%的准确率

---

有什么想法吗？

在@ffriend的评论之后，一切都很顺利。我使用了4个输出神经元，准确率超过90%。如果我在隐藏层中使用更多的神经元，错误会变小，但程序需要更多的时间在网络中运行并反向传播。

是否使用反向传播来调整权重？是发布你使用的代码吗？我想3个隐藏单位是不够的。隐藏层将信号从输入层转换到输出层，3个单位表示仅3个描述图像的变量。另外，请澄清这一点：“我使用13x32图像作为培训示例，使用4x32图像作为测试”。你的意思是你使用不同大小的图像吗？如果没有，这些数字意味着什么？最后一个问题：书中建议使用浮点数（0.2=左，0.4=下），或者这是你自己的想法？13人*32张图片/人用于培训示例4人*32张图片/人用于测试32张图片=8张左；8对；8直；8向下一些人正在使用玻璃是的，我向后传播来调整重量：）使用4个神经元，选择输出最大的神经元-这将大大提高精确度。