（1）建立两种以上模型，如图像识别可采用全连接网络和卷积神经网络，使用现有数据集或自爬取数据集，划分训练集和测试集。 （2）调整各模型的结构和参数，使模型性能达到最优，并保存最优的模型。输出训练过程中的损失和准确度图表。 （3）用测试集对模型进行评价，输出损失和准确度。 （4）自制测试样本通过模型进行预测，检查预测结果。 （5）采用多种形式的可视化技术显示样本和测试结果。 （6）比较多种模型的参数数量和训练模型所用的时间，并分析它们的性能

非常感谢您的问题，以下是我的回答：

1. 我理解您的问题是关于建立机器学习模型的问题，您可以选择不同类型的模型，如全连接神经网络、卷积神经网络等，并使用现有数据集或自行爬取数据集，划分训练集和测试集。
2. 您可以通过调整各模型的结构和参数，使其性能达到最优，并保存最优的模型。在训练过程中，您可以输出损失和准确度图表来跟踪模型的训练情况。
3. 在完成模型训练后，您可以使用测试集对模型进行评价，并输出损失和准确度等指标来评估模型的性能。
4. 您可以使用自制的测试样本来检查模型的预测结果，以确保模型的泛化能力。
5. 可视化技术可以帮助您更好地理解模型的表现，您可以使用多种形式的可视化技术来显示样本和测试结果。
6. 最后，您可以比较不同模型的参数数量和训练时间，并分析其性能优劣来选择最适合您任务的模型。

希望我的回答能够帮助您！