fashion的变异模型共8000个，固定clusterSize200
    现将refine规则制定如下

    0-99 100-199 200-299 300-399 400-499 500-599 600-699 700-799 800-899 900-999 1000-1099 1100-1199 1200-1299 1300-1399 1400-1499 1500-1599 1600-1699 1700-1799 1800-1899 1900-1999
    refine1 200 200 200 200 200 100 100 100 100 100 50 50 50 50 50 20 20 20 20 20
    refine2 100 100 100 100 100 100 100 100 100 100 50 50 50 50 50 20 20 20 20 20
    refine3 200 100 100 100 100 100 100 100 100 100 50 50 50 50 50 20 20 20 20 20
    refine4 200 50 50 50 50 50 50 50 50 50 50 50 50 50 50 20 20 20 20 20
    refine5 100 50 50 50 50 50 50 50 50 50 50 50 50 50 50 20 20 20 20 20
    refine6（1641） 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100
    refine7()951 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50
    refine8 300 50 50 50 50 50 50 50 50 50 50 50 50 50 50 20 20 20 20 20
    refine9 400 50 50 50 50 50 50 50 50 50 50 50 50 50 50 20 20 20 20 20
    refine10 500 400 300 200 100
    refine11 500 400 300 200 100 100 100 100 100 100 50 50 50 50 50 20 20 20 20 20
    refine12 500 400 300 200 100 50 50 50 50 50 50 50 50 50 50 20 20 20 20 20
    refine13 500 400 300 200 100 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50
    refine14
    refine15 200 200 100 100 100 100 100 100 100 100 50 50 50 50 50 20 20 20 20 20

    svhn尝试refine11，效果OK

    在昨天生成的refine1的基础上(svhn)，固定clusterSize为20，看一下效果

    在选取样本数为1000的情况下，求单类准确率
    在mnist_lenet1、mnist_lenet4、mnist_lenet5、fashion_lenet5、cifar10_vgg16
    🌟，如果总体准确率与原总体准确率相比误差能维持在一个较小的值且相较于pace有更大的优势，那么自然而言单类准确率与原单类准确率的误差就会有很大的优势，我觉得不需要把重心放在如何提高单类准确率上，只需要最后用相关的数字强调方法的优势即可。

    1.现打算对每个模型都重新生成一批模型，目的主要是为了在选择的时候能够饱和（比如在某个区间我想要选择100个变异模型。希望这个区间可供选择的模型大于等于100个）
    2.现在降维的方法采用的是SVD，将维数降到原矩阵奇异值平方和的90%
    3.关于clusterSize的选取问题，我觉得轮廓系数并不能辅助选出最优的参数，可以利用现有的数据批量跑实验得出一个经验值

    针对3设计实验
    clusterSize为5-50，每个clusterSize下运行10次
    使用的聚类模型为已有的refine1文件