假设你正在调试你的猫类分类器,经过一段时间的调整,你的系统达到了90%的准确率,但对你的应用程序来说还不够好,你可能有很多想法去改善你的系统,比如说收集更多的训练数据;可能训练集的多样性还不够,应该收集更多不同姿势的猫咪图片或者更多样化的反例集;或者你想用梯度下降训练算法,训练久一点;或者你想尝试用一个完全不同的优化算法,比如Adam优化算法;或者尝试使用规模更大或者更小的神经网络;或者你想试试dropout或者L2正则化;或者你想修改网络的架构,比如修改激活函数,改变隐藏单元的数目等方法。
当你尝试优化一个深度学习系统时,通常有很多想法可以去试;问题在于,如果做出了错误的选择,完全有可能白费很多时间,往错误的方向前进,过了很久才意识到这方法根本不管用,这门课程可以教给我们一些策略。