——

如果只是调cnn网络的参数，可以看这篇文章

http://cs231n.github.io/neural-networks-2/#init

——

当初步搭建好网络，模型能出初步结果后，若想优化，可以考虑调整：

1.数据集扩增

可以考虑增加数据集容量，有时候简单的增加容量，准确率提升明显

2.增大数据集差异性，随机性

在制作数据集时可以考虑增加数据的差异性

3.tensor transform

pytorch 中使用transform模块对数据进行处理

4.batch_size大小

调整batch_size大小，可以16,32,64….这样依次往上调，寻找最适合的，当然不必要是2的倍数

5.shuffle=True

随机读取数据，一般在训练网络时使用，对于小数据集来说效果惊人

6.learning rate

可以使用动态学习率

也可以先是大的学习率 ，然后慢慢减小，如开始是0.1，然后是0.05，每一次都对半分，寻找最合适的学习率

7.weight_decay

权重衰减   也称L2正则化，具体可以自行百度，哈哈哈哈

8.n_epochs

当准确率不再上升，可以增加学习次数，让网络充分学习，当然要防止过拟合，

9.dropout()参数及位置

dropout（） 的参数可以从0.1开始调，以0.05为间隔，各个网络有不同的参数

所放的位置也有很大的影响，不一定要在全连接层后

10.参数初始化

pytorch中会有默认的参数初始化

如果没有，可以考虑自行初始化，有助于提高准确率

11.网络结构（层数，每层的大小，函数）

可以考虑增加层次，或者调整输出的大小来提高准确率

——

希望各位多多留言

——