本文探讨了在人工智能项目中遇到的问题，如数据质量问题、模型简化导致的拟合困难、不合理损失函数和参数初始化。重点讲解了如何通过数据预处理（归一化、BN等）、调整模型复杂度、优化学习率与训练技巧（如小样本过拟合、梯度裁剪）来提升模型性能。
1，数据
1) 数据方面分为几个部分：数据本身的问题，（标注不合理，或者代码错误导致的问题，例如，分类，检测 ，分割中数据不正常的现象，或者进行数据增强的时候有些问题，（例如之前做检测的时候的问题。）、
使用归一化 ，归一化，减去均值，，使用BN，L2 norm，之前遇到过）
2，模型
1) 模型太简单，根本就无法进行拟合数据，这个时候，先对小样本进行训练，使他能够进行过拟合数据 ，保证模型本身没有问题 ，
2) 或者损失函数设计不合理，
3) 参数初始化的问题，更改初始化方法，对于CNN，一般用xavier或者msra的初始化方法
3，训练
1) 设置学习率，调整步长
2) 减小batch_szie.
3) 加入gradient clip
参考
https://www.zhihu.com/question/49346370
2640
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
