在使用GF、WS变异算子进行变异的时候，不再随机选择层，而是固定对最后一层进行变异，观察生成的结果的分布。
    生成了svhn_lenet5的变异模型共4000个，每个变异算子2000个，看如此能否填平分布图里的沟沟，改善svhn_lenet5的效果。
    ❌当利用WS、GF算子只对最后一层进行扰动的时候，2000个WS的变异模型去重之后只剩5个，2000个GF的变异模型去重之后也只剩5个
    结合之前细化模型的表现，怀疑利用GF和WS变异算子生成的变异模型的精度都极其接近原模型

    利用第三批生成的变异模型分别对WS、GF、NAI、NEB算子生成的模型进行统计
    发现利用GF和WS算子扰动生成的模型相较于NAI、NEB算子扰动生成的模型与原模型的精度差异要小得多
    扰动程度排序：NAI>NEB>WS>GF（下表是基于4000个模型统计的结果）

    unique sum 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
    mnist_lenet1 GF 255 255 255 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
    WS 853 614 23 106 72 56 47 44 34 21 15 30 32 14 9 14 8 16 21 15 19 18
    NAI 450 106 1 2 4 8 9 11 5 7 7 7 1 5 5 7 7 4 4 2 1 9
    NEB 465 227 1 7 13 23 19 21 18 11 10 10 13 7 9 8 7 3 6 9 14 18
    mnist_lenet4 GF 428 428 428 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
    WS 875 649 17 97 92 65 57 43 33 20 26 33 21 26 19 15 16 11 12 12 16 18
    NAI 636 362 1 29 48 38 27 27 18 17 22 20 14 15 13 14 9 12 13 8 6 11
    NEB 630 448 5 48 65 55 39 35 20 25 12 24 14 17 12 9 13 8 5 10 11 21
    mnist_lenet5 GF 556 556 556 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
    WS 955 810 174 173 109 53 35 30 22 19 19 39 17 14 17 15 9 13 9 8 10 25
    NAI 753 433 44 89 40 24 25 29 22 18 20 14 18 10 15 14 6 10 15 5 7 8
    NEB 765 653 92 163 107 64 51 29 21 17 21 17 14 5 5 7 8 5 4 4 6 13
    cifar10_vgg16 GF 567 567 304 129 66 26 31 9 2 0 0 0 0 0 0 0 0 0 0 0 0 0
    WS 917 453 0 0 2 5 13 49 26 26 39 41 36 23 49 21 24 22 23 24 19 20
    NAI 770 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
    NEB 997 731 3 34 33 41 53 73 60 36 48 41 28 41 49 40 27 30 33 30 20 10
    cifar10_resnet20 GF 520 519 501 15 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
    WS 537 504 3 15 38 52 69 62 50 36 37 36 23 21 16 9 2 10 7 7 6 5
    NAI 980 282 2 2 4 13 14 24 15 16 24 22 10 21 24 12 19 13 11 15 13 8
    NEB 984 799 2 25 52 61 82 87 69 70 52 48 53 34 26 20 26 22 17 20 21 12
    fashion_lenet5 GF 484 484 484 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
    WS 952 619 10 6 12 33 60 39 32 34 37 53 45 31 33 23 30 33 27 23 20 38
    NAI 1000 289 0 0 0 2 2 11 24 28 28 24 21 21 20 12 15 17 16 14 18 16
    NEB 1000 923 0 7 40 92 85 78 77 71 66 59 63 42 48 32 34 31 30 25 30 13
    svhn_lenet5 GF 477 477 7 150 218 75 17 6 4 0 0 0 0 0 0 0 0 0 0 0 0 0
    WS 928 120 13 4 0 0 0 0 0 3 0 0 0 3 10 7 17 6 20 15 10 12
    NAI 1000 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
    NEB 1000 210 0 0 0 0 0 0 1 0 4 6 10 11 21 24 19 26 20 21 22 25

    分析表格可知，一般情况下，之前我们所使用的选择变异模型的规则选出来的模型
    1.那些精度与原模型很接近的模型几乎都是利用GF算子生成的
    2.将ratio从固定的几个值调整为一个范围可能可以避免生成较多重复的模型
    3.根据模型的大小和变异算子（NAI调低，GF调高）需要适应性地调整ratio，如果真的选择与原模型预测结果差异在200-2000之内的模型，例如mnist_lenet1和svhn_lenet5的变异ratio就要调低，就目前的数据来看，生成很多变异程度较大的无用模型