实践方法论

训练模型的基本步骤：（如下图所示）

1. 用训练集训练模型，（最终得出来最优的参数集）
2. 将最优参数集带入模型中，用测试集测试模型（人话：将最优参数集带入原来函数中，用测试集的x值计算y值）（这个过程就叫做预测）

---

训练过程中遇到问题的解决攻略（看下图的方式是“前序遍历”）

model bias出现问题的情况：

1.看training data的 loss，太大；

2.当你模型无论如何调整参数，训练的结果还是不够好。

解决办法：那就只能重新设计模型，增加（减少）feature，下图是model bias出现问题

下图是optimization出现问题

当loss大了，判断是model bias还是optimization的问题的方法如下：

通过比较不同层数的model判断现在的model够不够大，如果高model比低model效果差，那么就是高model的optimization出现问题（56-layer的前20-layer和20-layer做一样的事，56层的后36层竟然没有帮助反而拖后腿

 选择合理的model的方法：training set分为training set训练,用validation set测试，可以根据validation set测试出来的loss判断使用哪个模型。如下图所示：

---

通过划分training set和validation set判断选用模型的方法：

1. 训练集分为等分为n份 数据集，分别选用其中的一个作为val set，其他作为train set，
2. 写出所有排列的可能（全排列）
3. 将全排列的val set 和train set的数据带入同一个model中，计算出msei，然后算出平均的mse
4. 重复操作3，只需要把model换成你要测试的模型之中即可

   ---

   overfitting

• overfitting：loss在training data小，在test data大
• overfitting解决方法：

1. 数据增强：a.增加训练资料;b.根据资料的特性和自己对要处理的问题的理解，自己去创造data 
2. 限制模型：a.Less parameters,sharing parameters(把几个参数值设置成一样的）；b.Less features(降低model的层数(即降低model的复杂度，采用简单的模型比如二次多项式等));c.Early stopping;d.Regularization;e.Dropout