Datawhale X 李宏毅苹果书 AI夏令营 Task3 深度学习详解 -2 机器学习框架攻略
实践方法论
模型训练结果不佳的原因
- 模型偏差： 模型过于简单，无法在已知的函数集合中找到符合条件的函数，这里的符合条件是指能让损失变低的函数。
- 优化问题： 梯度下降等优化算法可能陷入局部最优解，无法找到全局最优解。
如下图所示
再来看另外一种情况
这个集合包括了一些函数，其中有损失低的函数，但问题是梯度下降这种办法找不到损失低的函数，只能找到局部解，找不到最优，就是找到一个就返回，但可能返回的这个解不是最优解
接下来我们来思考：
- 训练数据的损失不够低，这个时候思考方向有哪些？
- 模型偏差？
- 优化问题？
- 无法找到一个损失低的函数，方向有？
- 模型的灵活性不够？
- 灵活性够了，但优化梯度下降不给力？
- 还是模型不够大？
- 模型太小了？
这里书里面提到了一种判断方法，即通过比较不同的模型来判断模型现在到底够不够大。
通过下面的这张图可以看出来20层的效果在测试数据和训练数据上面都要比56层要好，也就是说优化不到位，因为按理来说20层能做到的事情，56层应该也可以做到且做的更好，要不然那36层干什么用的？
这里他提到的建议是
我这里看的很蒙，就记录一下自己的理解
即先用比较小的、比较浅的网络确保这些网络和模型能找到一组最好的参数，记录一下这些模型的损失值，接下来上深的模型，若，深的模型明明灵活性比较大，但损失却没有办法比浅的模型压得更低代表说优化有问题，梯度下降不给力，因此要有一些其它的方法来更好地进行优化。
- 过拟合： 模型过于复杂，过度拟合训练数据，无法泛化到新的数据，可以理解为学生只会死记硬背，同一种题型老师稍微加一点新花样就废了
解决办法：
- 增加训练数据：说人话就是做题太少了，没有学到真东西，加大剂量
- 简化模型： 别只会一种解题方法，如果模型只会一种“解题方法”，遇到新的题目就会束手无策，所以让它能够尝试多种“解题方法”，这样才能更好地应对各种情况。
- 正则化和Dropout:正则化： 对模型参数施加惩罚，防止模型过度拟合训练数据，dropout：在训练过程中随机丢弃一些神经元，防止模型过度依赖某些特征。
说人话，正则化和dropout就是为了防止孩子只知道刷题，而不知道思考就会变成“书呆子”，这里的”书呆子“可以理解为过拟合了 - 交叉验证： 使用一部分数据作为验证集，评估模型在未见数据上的表现，避免过拟合，说人话，如果学生只会自己一个人学习，就会变成“井底之蛙”。同样，如果模型只使用训练数据，就会失去泛化的能力。我们需要使用交叉验证等方法，让模型“多和同学交流”，学习到更全面的规律。
- 交叉验证：把数据集分成K份，其中K-1份当训练集，1份当测试集，这样就有K轮，再给测试结果取平均。
- 不匹配： 预测结果和真实结果存在巨大的差距且不是增大数据规模能解决的。
