你或许可以轻松的使用tensorflow等深度学习框架构建一个你想要的深度学习模型，但是在训练的过程中总是会出现一些这样那样的问题，那么下面就让我介绍一些常出现的问题和解决的方案，毕竟算法工程师也叫调参师嘛

先放上地表最强宝可梦大师的一张关于深度学习模型训练的图

神经网络的训练其实就是这么几步，那么下面我们就要说一下它容易出些什么样的问题，需要怎么去解决。

有的时候你有没有发现网络越深效果反而越差呢？

梯度爆炸和消失

其实这里第一个问题就是深层网络带来的梯度爆炸和梯度消失，层数越多问题就越加得明显，关于梯度爆炸和梯度消失的问题可以参考我的相关博文https://www.jianshu.com/p/9f919535e270

误差在反向传播的过程，一旦是梯度消失就会出现如下图所示的情况

梯度爆炸情况类似，离输出层的更新还靠谱些，离输出层越远情况就越糟糕。

梯度的问题大多来源于不合适的激活函数和过大的权值初始化，像sigmoid这种激活函数梯度最大的时候才0.25，乘几下就没有了，那能怎么办。

选择合适的激活函数

ReLU函数

Maxout函数

其实可以看的出来maxout是可以拟合出relu函数的，这边是两个元素的max，你可以设定任意你想要的一些个数

还有的问题就是你的优化算法不够好，像梯度下降这种简单的优化算法其实是很难得到好的结果的

这边讲三个关于学习率和梯度的优化算法，更多的优化算法请参考https://www.jianshu.com/p/61741ef524b3

首先是动量梯度下降法，也就是Momentu

它保留了前面梯度对下一梯度的影响，准确的说指数平均法，平均了t时刻前的所有梯度，下面是从吴恩达课程copy下来的图片

RMSprop

这边也是采用的指数平均，和Momentu有点异曲同工。很明显它限制住了学习率。

Adm

综合上面两种方法

这边出现了校正，其实吴恩达的课程中提过，因为指数平均初始值为0，后期也会有点飘，需要必要的校正。

还有问题那就是过拟合啦

首先是

思想很简单，我们提前终止训练，当测试集精度足够好的时候

正则化

dropout

几个注意点：
随机选取一些神经元扔掉，但是扔掉的需要备份，因为每一批次训练需要扔掉的可能都不一样，但是扔的时候必须保证所有的神经元都还是有的
训练好的权重需要*权重，1-p

（未完待续……）