“第二，改进深度学习CNN网络，例如增加深度，调整学习率、迭代次数、批次大小，更改激活函数、优化方法和损失率计算方法等，并对分类效果进行比较，选取最优的网络参数。”请扩展

这个问题涉及到深度学习中的卷积神经网络（CNN），CNN是深度学习中最常用的网络结构之一，用于图像识别、语音识别、自然语言处理等领域。

关于如何改进CNN网络，有以下一些常见的方法：

1.增加深度：增加网络的层数，可以提高网络的表示能力，从而提升模型的性能。但是，过深的网络容易出现梯度消失或梯度爆炸等问题，因此需要适当调整网络结构和参数。

2.调整学习率、迭代次数、批次大小：这些参数的设置对模型的训练效果和速度都有很大影响。学习率过高容易导致震荡或发散，学习率过低则会使收敛速度变慢，迭代次数和批次大小的设置也需要根据数据集的大小和复杂度进行调整。

3.更改激活函数：CNN中常用的激活函数有ReLU、sigmoid、tanh等，不同的激活函数对模型的表达能力和计算速度都有影响。比如，ReLU函数可以加速模型的收敛速度，但容易出现神经元死亡现象；sigmoid函数可以将输出限制在0到1之间，但容易产生梯度消失的问题。

4.优化方法：常用的优化方法有SGD、Adam、Adagrad等，不同的优化方法对模型的收敛速度和泛化能力都有影响。比如，Adam优化方法可以自适应地调整学习率和动量，从而提高模型的泛化能力。

5.损失率计算方法：CNN中常用的损失函数有交叉熵、均方误差等，不同的损失函数对模型的收敛速度和泛化能力都有影响。比如，交叉熵损失函数可以加速模型的收敛速度，但容易出现过拟合的问题。

综上所述，改进CNN网络需要综合考虑网络结构、参数设置、激活函数、优化方法和损失函数等多个方面，通过实验比较选取最优的网络参数，从而提高模型的性能。