深度学习框架有很多种，都是封装好的，基本是不用我们处理，只要完成正向传播，反向传播就能通过框架完成，需要自己去选择学习合适的框架，并且知道如何运用；
————————————————————————————————————————————————————————————
正交化：
正交化是为了处理自己设置模型出现问题，专门调整一个方向设置的，例如偏差过大，使用一个处理偏差过大的正交化处理，过拟合的适合方差过大，使用正则化的正交化方式处理，又或者一次训练的数据量不够加大训练量，或者使用归一化，或者指数加权平均处理偏差修正，不同的梯度下降，通过网络神经反应的问题对一个地方进行专门的调节而不影响其他部分，这就是正交化的意义；
------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
单一数字评估指标：
对于一个问出所调整迭代出来的超参数会不同，但是要选择最优的一组超参数，对于数据存在训练集与测试集，假设出现两组超参数，效果都很好，那么就不太好选择哪个最优，在对训练集与测试集预测结果都挺好的情况下，使用一种均值的方式处理，例如查准率是对于训练集，查全率是对于全集
根据F1分数选出最优的一组；
但是常常并不能是上述的均值选出，因为可能要考虑时间或者其他一些原因，你更在乎那些原因对你模型的处理，这种时候就可以设置阈值，要符合设定的阈值后的组别再进行筛选，这些是需要根据自己的需求进行设定
