调参是优化模型性能的重要步骤，可以通过调整不同的超参数来找到最佳的模型配置。在TFLearn中，可以通过以下几种方法来调参优化模型性能：
学习速率调整：学习速率是训练模型时的一个重要超参数，可以尝试不同的学习速率来找到最佳值。可以通过设置optimizer参数的learning_rate来调整学习速率。
批量大小调整：批量大小是指每次迭代训练时所用的样本数量，可以尝试不同的批量大小来找到最佳值。可以通过设置batch_size参数来调整批量大小。
增加训练迭代次数：增加训练迭代次数可以让模型更充分地学习数据特征，提高模型性能。可以通过设置n_epoch参数来增加训练迭代次数。
添加正则化项：正则化项可以帮助减少过拟合，提高模型泛化能力。可以通过设置regularizer参数来添加正则化项。
调整网络结构：可以尝试不同的网络结构来找到最佳配置，比如增加/减少隐藏层的数量、神经元数量等。
使用不同的优化器：TFLearn提供了多种优化器，如SGD、Adam等，可以尝试不同的优化器来找到最佳性能。
通过以上方法，可以不断调参优化模型性能，找到最佳的模型配置。同时，可以使用交叉验证等方法来评估模型性能，从而更加有效地进行调参。