如果把神经网络的收敛过程理解成是提取纯度99%的权重，可以用化学上的分级萃取精馏的办法重新改造神经网络的收敛过程。
比如首先从原料提取纯度30%的馏分，也就是准确率达到30%的权重组合，这时把这组馏分保存下来，结束程序，然后用这组纯度30%的馏分初始化权重，重新萃取纯度40%馏分。比如迭代100次，如果达到就把纯度40%的馏分保存下来再次初始化权重，重新从40%的馏分开始。如果迭代100次达不到40%将产生最大值的权重组合保存下来，用这组权重再次循环。
这样由30%-40%-50%逐级提升，直到90%这时可以减小梯度进入精馏流程，比如可以一次提升1%，直到达到要求。
用这种方法制作了一个784*15*5的网络用来区分mnist的0,1,2,3,4，用从0开始的方法做了5次，最大的一次在迭代到200批样品的时候达到0.82，而用逐级萃取的方法同样的迭代次数已经可以得到准确率超过的90%的样本。粗略的统计从0开始的方法成功率低于20%，而逐级萃取的方法至少可以节省80%的收敛时间。
逐级萃取精馏方法的实验数据
学习率=0.1，
batch=300，放回取样
激活函数是sigmoid，没有偏置，每批样品都测试准确率
