神经网络的调参效果不理想时->(解决思路)
非过拟合情况
- 是否找到合适的损失函数？(不同问题适合不同的损失函数)(理解不同损失函数的适用场景)
(解决思路)选择合适的损失函数（choosing proper loss ）
神经网络的损失函数是非凸的，有多个局部最低点，目标是找到一个可用的最低点。非凸函数是凹凸不平的，但是不同的损失函数凹凸起伏的程度不同，例如下述的平方损失和交叉熵损失，后者起伏更大，且后者更容易找到一个可用的最低点，从而达到优化的目的。
-. Square Error（平方损失）
-. Cross Entropy（交叉熵损失） - batch size是否合适？batch size太大 -> loss很快平稳，batch size太小 -> loss会震荡(理解mini-batch)
(解决思路)采用合适的Mini-batch进行学习，使用Mini-batch的方法进行学习，一方面可以减少计算量，一方面有助于跳出局部最优点。因此要使用Mini-batch。更进一步，batch的选择非常重要，batch取太大会陷入局部最小值，batch取太小会抖动厉害 - 是否选择了合适的激活函数？(各个激活函数的来源和差异)
(解决思路)使用激活函数把卷积层输出结果做非线性映射，但是要选择合适的激活函数。
-. Sigmoid函数是一个平滑函数，且具有连续性和可微性，它的最大优点就是非线性。但该函数的两端很缓，会带来猪队友的问题，易发生学不动的情况，产生梯度弥散。
-. ReLU函数是如今设计神经网络时使用最广泛的激活函数，该函数为非线性映射，且简单，可缓解梯度弥散。 - 学习率，学习率小收敛慢，学习率大loss震荡(怎么选取合适的学习率)
(解决思路)学习率过大，会抖动厉害，导致没有优化提 , 学习率太小，下降太慢，训练会很慢 - 是否选择了合适的优化算法？(比如Adam)(理解不同优化算法的适用场景)
(解决思路)在梯度的基础上使用动量，有助于冲出局部最低点。
如果以上五部分都选对了，效果还不好，那就是产生过拟合了，可使如下方法来防止过拟合，分别是:
过拟合情况
- Early Stopping(早停法)
(详细解释)早停法将数据分成训练集和验证集，训练集用来计算梯度、更新权重和阈值，验证集用来估计误差，若训练集误差降低但验证集误差升高，则停止训练，同时返回具有最小验证集误差的连接权和阈值。 - Regularization(正则化)
(详细解释) 权重衰减(Weight Decay)。到训练的后期，通过衰减因子使权重的梯度下降地越来越缓。
*. Batch Normalization
*. Dropout
*. L1 , L2 - 调整网络结构
- 增大训练数据量
*. 获取更多的数据
*. 数据扩充(图片: 镜像 , 翻转 , 随机裁剪等.)
print_r('点个赞吧')；
var_dump('点个赞吧')；
NSLog(@"点个赞吧！")
System.out.println("点个赞吧!");
console.log("点个赞吧!");
print("点个赞吧!");
printf("点个赞吧!\n");
cout << "点个赞吧!" << endl;
Console.WriteLine("点个赞吧!");
fmt.Println("点个赞吧!")
Response.Write("点个赞吧")；
alert（’点个赞吧’）
