总结一些loss不收敛的解决方法

经常遇到的两种情况：

1. loss一直在震荡
2. loss下降一点后不再下降到理想水平，而验证集上的表现保持不变。

解决办法：

1. 保持需要的batchsize不变，或考虑调整batch size大小
2. 查看是否有梯度回传。
3. 查看数据是否有问题，如标签错乱，归一化等。
4. 调节学习率，从大向小调，每次除以5或者10
5. 如果学习率调好后，需要调节batchsize大小，如batchsize调大2倍，则将学习率对应调大，反之，学习率对应调小。
6. 权重初始化方案（全零初始化、随机正态分布初始化和随机均匀分布初始化等）
7. 正则化过度（当训练集loss下不来时，就要考虑一下是不是正则化过度，导致模型欠拟合了。一般在刚开始是不需要加正则化的，过拟合后，再根据训练情况进行调整。）
8. 激活函数、损失函数
9. 训练时间不足，网络比较大的时候，孪生网络，容易出现收敛缓慢，要多训练一段时间看看loss收敛情况

知乎上的总结：

train loss 不断下降，test loss不断下降，说明网络仍在学习;
train loss 不断下降，test loss趋于不变，说明网络过拟合;
train loss 趋于不变，test loss不断下降，说明数据集100%有问题;
train loss 趋于不变，test loss趋于不变，说明学习遇到瓶颈，需要减小学习率或批量数目;
train loss 不断上升，test loss不断上升，说明网络结构设计不当，训练超参数设置不当，数据集经过清洗等问题。

参考：
[1]: https://zhuanlan.zhihu.com/p/36369878
[2]: https://blog.ailemon.me/2019/02/26/solution-to-loss-doesnt-drop-in-nn-train/
[3]: https://blog.csdn.net/Suan2014/article/details/103157226
[4]: https://zhuanlan.zhihu.com/p/136786657 几种loss出问题的情况
[5]:https://www.cnblogs.com/XDU-Lakers/p/10557496.html 关于激活函数