神经网络模型，因为其随机性，每次训练出来的结果中准确度不太一样。想请问下：
每次训练的准确度会相差很多么？ 我自己试过几次，貌似不会很大。但是个人经验不足，不敢确认；
假使准确度相差较大，而当前的模型训练完毕后，发现此时的准确度较高。那保存该模型后，准确率就能和测试集的准确率基本一致？
神经网络模型属于生成法还是判别法模型？
神经网络需要设置超参，那是否有必要将数据分成三份---训练集、验证集、测试集？还是说，只有在交叉验证的条件下，才需要这样切分数据？
顺便问下，这个数据集到底要怎么切分法？我问过人，据说常规情况下，大部分模型都是需要设置超参的。而设置超参的话，就必须切分出验证集（该验证集用于超参的训练）。那按照这种说法，不是数据集就是要分成三份才是合理的么？可是实际上，我经常看到的，也都是分成两份而已啊？
（1）按理说不应该有很大的随机性，随机性大说明模型的稳定性差。或者初始参数选择不好。打一个比方来说，你的初始参数如果选择随机数，你的神经元足够多，那么从整体上看，每次的结果都应该差不多。
好比扔硬币，虽然扔一个两个出现某种情况是随机的，但是你扔100次，每次正面向上的数量都在50左右，差别不大。
（2）神经网络既可以生成（升维）也可以判别（降维）还可以两者结合起来，比如GANs。（似乎之前回答你了）
（3）在真实的情况下，只需要训练集和验证集，分为两部分的原因是防止过拟合。当训练集的正确率远远高于验证集，就没有再训练的必要了。
至于测试集，这个是因为你学习的时候并没有实际的使用的数据，所以用原来的数据划分一些充当测试集。在真实情况下，直接拿现实的数据就可以测试了。比如说你做一个实际的股票预测，那么不需要什么测试集，你直接拿今天的新鲜数据就可以测试了。