【深度学习 模型性能】10分钟了解下4个小技巧提高AI模型效果

无意中发现了一个巨牛的人工智能教程，忍不住分享一下给大家。教程不仅是零基础，通俗易懂，而且非常风趣幽默，像看小说一样！觉得太牛了，所以分享给大家。点这里可以跳转到教程。人工智能教程

在做深度学习项目的过程中，我们总会遇到困难或者说障碍，下面我们谈谈四个比较常见的问题。如何解决。
目录：

• 问题一：缺少训练数据怎么办？
• 问题二：训练的模型过拟合怎么办？
• 问题三：训练的模型欠拟合怎么办？
• 问题四：模型训练时间太长怎么办？

详解：
1.1 缺少训练数据怎么办？
深度学习模型通常需要大量的训练数据，一般来说，数据越多，模型的性能就越好。一般我们缺少训练数据，用得上一种技术，那就是数据增强技术。什么叫数据增强呢，数据增强实在不实际收集新数据的情形下，生成新数据或者扩充数据以达到训练模型的过程。
那么数据增强技术有哪些呢？
图片数据有多种数据增强技术，旋转，翻转，剪切，平移等。图片数据扩充可以参考我另一篇博客：图片数据不够怎么凑
文本数据增强技术：一般常用代码自动生成相关类型文本。

1.2、训练的模型过拟合怎么办？
什么是过拟合问题呢？当一个模型在训练集上执行得非常好，但是在验证集上性能下降验证精度远低于训练精度时，就会被认为是过拟合。过拟合的原因主要是模型从训练数据中学习了不必要的信息。因此它在训练集上表现得非常好。
如何解决这种问题呢？我们可以在模型层中引入dropout,以解决过拟合问题。使用dropout,我们随机关闭神经网络的某些神经元。假设我们在神经网络100个神经元的隐藏层上添加了概率为0.5的dropout层，这100个神经元的50个将会被抑制。我们最终得到一个不会太复杂的体系结构。正因为如此，该模型不会不会学习过于复杂的模型，可以避免过拟合。

1.3 、训练的模型欠拟合怎么办？
深度学习模型既然会发生过拟合，也会发生欠拟合。什么是欠拟合呢，欠拟合是指模型无法从训练数据本身学习模式，因此训练集上的性能较低。这可能是多种原因造成的，例如：训练数据不够，模型太简单，模型的训练次数太少等。为了克服欠拟合问题。你可以尝试：
1、增加训练数据集
2、改变模型结构，制作一个更复杂的模型。
3、增加训练的epoch。

1.4、模型训练时间太长怎么办？
有些情况下，你可能会发现你的网络需要花费很长时间来收敛。深究这背后的主要原因就是输入到神经网络层的分布发生了变化。在训练过程中，神经网络各层的权值发生变化，激活也随之变化，现在这些激活也是下一层的输入，因此每一次连续的迭代都会改变分布。由于这种分布的变化，每一层都必须适应不断变化的输入，这就是为什么训练时间增加的原因。为了克服这一问题，我们可以应用批处理批处理标准化（batch normalization）把分布拉回来。这样就能加快训练速度。