在训练前期，他为模型设置相对较大的学习率，让它迅速捕捉到数据中的关键特征。
后续随着训练轮数的增加，他依据预先设定好的衰减公式，让学习率按照一定的衰减率逐渐减小，这样模型能够更加精细地调整参数，从而提高了收敛的精度和速度，让模型能够更准确、更高效地找到最优解。
与此同时，历景铄还对小批量样本的选取方式进行了优化，他不再是简单地随机选取小批量样本，而是采用了分层抽样的方法。
考虑到 NIST 数据集中不同数字的分布情况，他将数据集重新整理并划分出来多个批次。
每个批次的小批量样本各类数字的比例与整个数据集的比例大致相同，这样做的好处是，模型在每次参数更新时，都能均衡地学习到各类数字的特征，避免了因某些数字在小批量样本中出现频率过低而导致学习不充分的问题。
历景铄优化后的训练过程与卷积神经网络完美配合，二者相得益彰，关键指标识别准确率逐步提高，经过将近两个月夜以继日的训练与反复调整，最终，模型的识别准确率达到了 92.3%。
这个成绩让历景铄震惊不已，因为这一成果意味着他在神经网络领域实现了突破性的进步。
此前，学术界流行的多感知机模型的最高准确率仅为 80%，与之相比，此次的提升可谓是飞跃式的。
历景铄兴奋不已，他第一时间就找到秦奕，两人热烈地讨论着向国内由华国科学院计算技术研究所主办的计算机领域核心期刊《计算机学报》投稿的事宜，这一成果不仅是个人的荣耀，更可能为国内的计算机科学研究带来新的思路和启发。
除了历景铄这个项目取得了令人瞩目的进展之外，理想基金所支持的另外两个项目 —— 胡玮武的龙芯和王天苗的机器人项目，同样也收获了不错的成果。
胡玮武一直专注于芯片研发工作，目前，他已经成功利用在魔都的生产线完成了流片。
赵启阳他得知胡玮武的成果后，立刻打算在明年斗将系列的下一款产品《斗将?封神》的硬件中采用这款图形处理芯片，期望以此来显着提升游戏的显示效果，为玩家带来更加震撼的视觉体验。