Нейронная сеть с 5 и 25 узлами соответственно для 1 и 2 слоев.четыре модели [5], [5,5], [25], [25,25].Я получаю очень низкую точность около 50%

Question

Сначала я использую предварительную обработку skleain для нормализации данных. Я называю функциональную модель, где приведенный ниже код вставлен с узлами и слоем нет. если L = 1, иначе L = 2 В соответствии с этим я определяю вес и уклон. Код работает без ошибок, но медленно с точностью до 50%.

if(L==1):
        # Defining the weights and the biases for the neural network
        weights = {
            'w1': tf.Variable(tf.truncated_normal([r, nodes],stddev=1)),
            'out': tf.Variable(tf.truncated_normal([nodes, n_class],stddev=1))
                    }
        biases = {
            'b1': tf.Variable(tf.random_normal([nodes])),
            'out': tf.Variable(tf.random_normal([n_class]))    
                }
         # Calling the defined model
        y = Network(x, weights, biases, L)
        #print(y.shape)
        # Definning the cost function and optimizer
        cost_function = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=y, labels=y_actual))
        #cost_function = tf.losses.sigmoid_cross_entropy(multi_class_labels=tf.squeeze(tf.one_hot(y, depth=2), axis=1),logits=logits)
        #regularizers = tf.nn.l2_loss(weights['w1'])+tf.nn.l2_loss(weights['out'])
        cost_function = tf.reduce_mean(cost_function+ beta*regularizers)

        training_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost_function)
else:
        weights = {
            'w1': tf.Variable(tf.truncated_normal([r, nodes],stddev=1)),
            'w2': tf.Variable(tf.truncated_normal([nodes, nodes],stddev=1)),
            'out': tf.Variable(tf.truncated_normal([nodes, n_class],stddev=1))
                }
        biases = {
            'b1': tf.Variable(tf.random_normal([nodes])),
            'b2': tf.Variable(tf.random_normal([nodes])),
            'out': tf.Variable(tf.random_normal([n_class]))
                 }
         # Calling the defined model
        y = Network(x, weights, biases, L)
        cost_function = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=y, labels=y_actual))
        #regularizers = tf.nn.l2_loss(weights['w1'])+tf.nn.l2_loss(weights['w2'])+tf.nn.l2_loss(weights['out'])
        cost_function = tf.reduce_mean(cost_function+ beta*regularizers)

        training_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost_function)