设计与制作网站seo优化外包公司

对于训练出来的模型不满意：

1.检查训练所使用的数据 

训练数据的Loss 过大

model bias（模型过于简单，模型偏差）

所求出的任何，带入函数之后都不能使Loss变得足够低。可以让Loss变低的函数不在求出的函数集合之中。

解决方法：重新设计模型，增加层数，使其更有弹性。比如可以增加输入的特征。

最佳化问题（Optimization Issue）处理的不好

因为目前使用的gradient descent没有给出最佳的函数。

解决方法： 

当训练数据的Loss不够低时，如何判断是以上情况的哪种？

通过比较不同的模型，得知目前的模型是否足够大，层数是否够多。

56层的弹性一定比20层大，故一定是最佳化的问题。不是过拟合或者模型偏差的问题。

从小的（层数少的）模型入手，过渡到层数更多的模型。如果层数多的模型比层数小的模型的Loss还要大，那么就是最佳化出现了问题。

训练数据的Loss已经变小

测试数据的Loss小

此结果是我们想要的结果

测试数据的Loss大

overfitting问题（过拟合）

过拟合是指模型在训练数据上表现非常好，但在测试数据上表现较差。这通常是因为模型过于复杂，学习了训练数据中的噪声和细节，而未能提取数据的普遍规律，导致泛化能力差。

只有训练数据Loss小，但是测试数据Loss大才是过拟合问题。

极端的例子：

解决方法：

1.增加训练资料（训练数据）

2.不要让模型具有太大的弹性，给予其一些限制。 比如说给其较少的参数，在深度学习方面可以给其较少的神经元数目（但不能给太多的限制）

 

mismatch（数据不匹配）问题

训练资料和测试资料分布不同，增加训练资料不能解决此问题。