1、增加数据集
2、正则化(Regularization)
正则化：得到一个更加简单的模型的方法。
以一个多项式为例：
随着最高次的增加，会得到一个更加复杂模型，模型越复杂就会更好的拟合输入数据的模型（图-1），拟合的程度越大，表现在参数上的现象就是高次的系数趋近于0，如果直接将趋近于0的高次去掉，就可以得到一个更加简单的模型，这种方法称为正则化。
直观的看，经过正则化的模型更加平滑（图-2）.
正则化的方法：
（1）L1-正则化：在原来的模型基础上加上一个 1-范数（这里使用二分类模型作为示例）：
（2）L2-正则化：在原来的模型基础上加上一个 2-范数（这里使用二分类模型作为示例）：
代码示例：
# L2-正则化
device = torch.device('cuda:0')
net = MLP.to(device)
optimizer = optim.SGD(net.parameters,lr = learning_rate,weight_decay=0.01) #weight_decay=0.01就代表进行L2-正则化
criteoon = nn.CrossEntropyLoss().to(device)# L1-正则化
# 对于L1-正则化，pytorch并没有提供直接的方法，就只能使用人工去做了
regularization_loss = 0
for param in model.parameters(): # 相求1-范数的总和
regularization_loss += torch.sum(torch.abs(param))
classify_loss = criteon(logits,target)
loss = classify_loss + 0.01*regularization_loss # 再将得到的正则损失加入模型损失，其中0.01是1-范数总和前面的系数
optimizer.zero_grad()
loss.backward()
optimizer.step()3、加入动量（momentum）
动量即惯性——本次向哪移动，还需要考虑上一次移动的方向。
正常更新梯度的公式（公式-1）：
加入动量之后的公式（公式-2）：
将z(k+1)带入梯度更新公式，即公式-1减去
，其中Z(k)相当于上一次的梯度，系数和β的大小决定了是当前梯度对方向的决定性大，还是上一梯度对方向的决定性大。
当动量为0时的梯度更新情况（图-3）：
动量不为0时的梯度更新情况（图-4）：
将图-3和图-4对比，可以得出动量不为0，即考虑上一梯度，梯度更新更加稳定，不会出现巨大的跳跃情况，并且不加动量的没有找到最小点，一直在局部最小值点徘徊，如果加入动量，考虑到上一梯度，可以在一定程度上解决这种情况（图-4是加入动量之后最好的情况）。
代码演示，直接在优化器部分使用momentum属性就可以了，但是如果使用Adam优化器，就不需要添加，因为在Adam优化器内部定义的有momentum属性：
4、学习率（Learning Rate ）
不同学习率梯度更新情况（图-5）：
当学习率太小的时候，梯度更新比较慢，需要较多次的更新。
当学习率太大的时候，梯度更新比较激烈，找到的极值点Loss太大。
如何找到正确的的学习率？
在训练之初，可以先设置一个较大的学习率加快更新的速度，然后逐步减小学习率，即设置一个动态学习率。
从图-6，可以看到有一个突然下降的点，这个点就是学习率训练一些数据之后，学习率突然变小导致的结果。在此之前可以看到Loss趋于不变，可以合理的猜测是因为学习率太大了，出现了来回摇摆不定的情况（图-7）：
当学习率突然减小，梯度更新变慢，易找到极小点（图-8）：
代码演示：
5、dropout
dropout：减少神经元之间的连接，减少模型的学习量。标准的神经网络是全连接的，相比经过dropout的神经网络减少了一些连接（图-9）。
代码演示，可以使用Dropout方法断开连接，0.5代表断开两层之间的50% ：
这种方法被用在模型训练中，但当模型测试过程中，为了提高test的表现，要结束这个操作，将所有的连接都使用上，可以使用net_dropped.eval()方法结束这个操作，代码演示如下：
6、随机梯度下降 （Strochastic Gradient Descent ）
这里的随机并不是指任意，这里面是有一套规则的，是一套映射的关系，即将原来的数据x送入f(x)得到一种分布。经过随机从原数据中得到一组小数据，使用这一小组数据训练模型。
学习：课时60 Early stopping, dropout等_哔哩哔哩_bilibili
