神经网络模型初步确定因素

        在处理一组图片训练集时，确定一个好的神经网络模型需要考虑多个因素，包括训练集的选择、卷积神经网络的参数设置、超参数的选择等。以下是一些相关的建议和技巧：

训练集选择

• 训练集（Training Set）：训练模型，简单的说就是通过训练集的数据来确定拟合曲线的参数。
• 测试集（Test Set）：测试已经训练好的模型的精确度。
• 样本要随机化，防止大数据淹没小数据。
• 训练集数据的数量应占2/3到4/5，剩下的是测试集。
• 样本要做归一化，归一化的具体作用是归纳统一样本的统计分布性，能减少训练时间，避免出现异常样本数据引起的训练结果无法收敛。

卷积神经网络参数设置 

• 网络层数、卷积核大小、滑动步长等属于超参数，大多是通过已有的架构来做一些微调。
• 一般的图像识别，卷积的次数在3到5之间。
• 卷积核的大小一般为3x3或5x5。
• 池化层的大小一般为2x2。
• 激活函数一般使用ReLU。

超参数的选择 

• 超参数是用来确定模型的一些参数，一般是根据经验和验证集效果确定的变量，超参数不同，模型是不同的。
• 在卷积神经网络中，超参数有学习速率、迭代次数、层数、每层神经元的个数、批大小（batch size）及损失函数中各部分的权值等。
• 建议优先在对数尺度上进行超参数搜索。
• 学习率和正则化项一般使用0.001、0.01、0.1、1、10等值进行尝试。
• Dropout值一般使用0.3、0.5、0.7等值进行尝试。
• 在使用mini-batch方法进行训练的时候，尽量让一个batch内，各类别的比例平衡。

        综上所述，确定一个好的神经网络模型需要综合考虑训练集的选择、卷积神经网络的参数设置、超参数的选择等多个因素。建议在实践中不断尝试和调整，以获得最佳的训练效果。