调用方法：
sklearn.neural_network.MLPClassifier(hidden_layer_sizes=(100, ), activation=’relu’,
solver=’adam’, alpha=0.0001, batch_size=’auto’, learning_rate=’constant’,
learning_rate_init=0.001, power_t=0.5, max_iter=200, shuffle=True, random_state=None,
tol=0.0001, verbose=False, warm_start=False, momentum=0.9, nesterovs_momentum=True,
early_stopping=False, validation_fraction=0.1, beta_1=0.9, beta_2=0.999, epsilon=1e-08,
n_iter_no_change=10)参数说明：
1.hidden_layer_sizes:
第i个元素表示第i个隐藏层的神经元的个数；
例如hidden_layer_sizes=(50,50),表示有两层隐藏层，第一层隐藏层有50个神经元，第二层有50个神经元；
2.activation：
激活函数
{‘identity’,'logistic','tanh','relu'},默认‘relu‘；
- 'identity':
- 'logistic':sigmod函数
- 'tanh':
- 'relu':
3.solver：
{’lbfgs‘，’sgd‘，’adam‘}，默认’adam‘,用来优化权重；
- 'lbfgs'：quasi-Newton方法的优化器；
- 'sgd':随机梯度下降；
- 'adam':kingma，Diederik,and Jimmy Ba提出的机遇随机梯度的优化器；
注意：默认solver 'adam'在相对较大的数据集上效果比较好(几千个样本或更多)，对小数据集来说，lbfgs收敛更快效果也更好。
4.alpha：
float，可选的，默认0.0001，正则化项参数；
5.batch_size:
int，可选的，默认'auto'，随机优化的minibatches的大小，如果 solver是'lbfgs'，分类器将不使用minibatch，当设置成'auto',batch_size=min(200,n_samples);
6.learning_rate:
{'constant','invscaling','adaptive'},默认’constant‘，用于权重更新，只有当solver为’sgd‘时使用
- 'constant'：有'learning_rate_init'给定的恒定学习率；
- 'invscaling':随着时间t使用'power_t'的逆标度指数不断降低学习率learning_rate_,effective_learning_rate=learing_rate_init/pow(t,power_t)
- 'adaptive'：只要训练损耗下降，就保持学习率为'learning_rate_init'不变，当连续两次不能降低训练损耗或验证分数停止升高至少tol时，将当前学习率除以5；
7.max_iter:
int,可选，默认200，最大迭代次数；
8.random_state:
int 或RandomState,可选，默认None,随机数生成器的状态或种子；
9.Shuffle:
bool,可选，默认True,只有当solver='sgd'或'adam'时使用，判断是否在每次迭代时对样本进行清洗；
10.tol:
float,可选，默认1e-4,优化的容忍度；
11.learning_rate_int:
double,可选，默认0.001,初始学习率，控制更新权重的补偿，只有当solver='sgd'或'adam'时使用；
12.power_t:
double,optional,default 0.5,只有solver='sgd'时使用，是逆扩展学习率的指数，当learning_rate='invscaling',用来更新有效学习率；
13.verbose：
bool，optional，default False，是否将过程打印到stdout；
14.warm_stat:
bool,optional,default False,当设置成True,使用之前的解决方法作为初始你喝，否则释放之前的解决方法；
15.momentum:
float,default 0.9,Momentum(动量) for gradient descent update.should be between 0 and 1.Only used when solver='sgd';
16.nesterovs_momentum:
boolean,default True, Whether to use Nesterov's momentum.Only used when solver='sgd' and momentum>0;
17.early_stopping:
bool,default False,Only effective when solver='sgd' or 'adam'，判断当前验证效果不再改善的时候是否终止训练，当为True 时，自动选出10%的训练数据用于验证并在两步连续迭代改善低于tol时终止训练；
18.validation_fraction:
float,optional,default 0.1,用作早期停止验证的预留训练数据集的比例，早0-1之间，只当early_stopping=True游泳；
19.beta_1:
float,optional,default 0.9,only used when solver='adam',估计一阶矩向量的指数衰减速率，[0,1)之间；
20.beta_2:
float,optional,default 0.999,Only used when solver='adam',估计二阶矩向量的指数衰减速率[0,1)之间；
21.epsilon:
float，optional，default 1e-8,only used when solver = 'adam'数值稳定值；
属性说明：
classes_：每个输出的类标签
loss_:损失函数计算出来的当前损失值；
coefs_:列表中的第i个元素表示i层的权重矩阵；
intercepts_:列表中第i个元素代表i+1层的偏差向量；
n_iter_:迭代次数
n_layers_:层数
out_activation_:输出激活函数的名称
方法说明：
fit(X,y)：拟合
predict(X):使用MLP进行预测
predic_log_proba(X):返回对数概率估计
predic_proba(X)：概率估计
score(X,y[,sample_weight]):返回给定测试数据和标签上的平均准确度
set_params(**params):设置参数