目录

• trick 1：深度学习调参核心点
• trick 2：关于 深度学习Model选型问题
• trick 3：关于数据
• trick 4：关于调参

• • 4.1 关于 Loss function 调参策略
  • 4.2 关于 Learning rate 和 batch size 调参策略
  • 4.3 关于 Epoch number 和 early stopping 调参策略
  • 4.4 关于 Optimizer 调参策略
  • 4.5 关于 Activation function 调参策略
  • 4.6 关于 Weights initialization 调参策略
  • 4.7 关于 Regularization 调参策略
  • 4.8 关于 Validation 调参策略

• trick 5：模型训练过拟合和欠拟合问题？

• • 5.1 欠拟合（Underfitting）
  • 5.2 过拟合（Overfitting）

• trick 6：模型参数初始化方法
• trick 7：Normalization 选择问题
• 模型输出层选择问题
• trick 8：随机数种子设定问题
• trick 9：cross validation问题
• trick 10：新模型开发前期问题
• trick 11：badcase 分析问题

1. trick 1：深度学习调参核心点

首先需要牢记一个点：模型选型和数据质量决定了任务的底线，而调参只是锦上添花的工作；

先overfit 再trade off，首先保证你的模型capacity能够过拟合，再尝试减小模型，各种正则化方法;

2. trick 2：关于 深度学习Model选型问题

深度学习Model选型是一个综合考虑多个因素的过程，旨在找到最适合特定任务和数据集的模型。以下是一些关键步骤和考虑因素：

• 理解任务需求：

1. 任务类型：首先要明确任务是分类、回归、生成、排序还是其他，比如文本相似度计算、图像识别、自然语言处理等。
2. 数据特性：考虑数据的维度、规模、结构（如图像、文本、时序数据等）和质量。

• 模型容量：

1. 选择一个与数据复杂度相匹配的模型大小。模型过于简单可能导致欠拟合，而过于复杂则可能过拟合。
2. 考虑模型的参数数量和可调整范围。

• 数据复杂度：

1. 样本数量和特征维度会影响模型选择。大数据集通常能支持更复杂的模型。
2. 数据的时间或空间结构，以及多样性，也是选择模型时的重要考量。

• 先验知识与预训练模型：

1. 利用领域知识选择合适的模型结构，例如在NLP任务中，预训练的Transformer模型（如BERT, Sentence-BERT）常被用于文本相似度计算。
2. 预训练模型可以在特定任务上提供强大的初始化，加速训练过程并提高性能。

• 计算资源：

1. 考虑可用的GPU、内存和计算时间。复杂模型往往需要更多资源。
2. 在资源有限的情况下，轻量级模型或模型压缩技术可能是更好的选择。

• 模型可解释性：

对于某些应用，模型的可解释性至关重要。决策树、线性模型相对容易解释，而深度神经网络可能较难解释。

• 评估与验证：

1. 设计合适的评价指标，如准确率、F1分数、AUC-ROC等，确保模型性能可量化。
2. 使用交叉验证来可靠地估计模型泛化能力，并避免过拟合或欠拟合。
3. 实施正则化技术（如权重衰减、dropout）以控制模型复杂度。

• 实验与调优：

1. 初始可尝试几个不同的模型架构，进行快速原型设计。
2. 根据初步实验结果，逐步精细化调优选定的模型，包括调整超参数、网络结构等。

• 框架与工具：

选择合适的深度学习框架（如TensorFlow、PyTorch、Keras等），考虑其易用性、社区支持、生态系统等因素。

所以说深度学习模型选型是一个迭代且实践驱动的过程，需要不断地实验、评估与调整，直至找到满足特定需求的最佳模型。

3. trick 3：关于数据

• 数据量太大时，可以采取以下几种策略来有效管理和处理数据，确保模型训练的可行性：

1. 数据采样：

1. 1. 随机采样：从整个数据集中随机抽取一部分作为训练数据，可以是无放回或有放回采样。
   2. 分层采样：确保每个类别或重要属性在采样数据中都有代表性，适用于分类任务。

1. Mini-Batch训练：将数据集分成多个小批量（mini-batches），每次仅使用一个小批量数据来更新模型参数，减少了内存需求并加速了训练过程。
2. 在线学习或流式学习：不一次性加载所有数据，而是让数据一批批地通过模型，适合处理不断增长或内存限制严格的场景。
3. 硬盘/外部存储读取：只加载当前需要训练的数据到内存，其余数据存储在硬盘上，按需读取。例如，使用tf.data.Dataset（TensorFlow）或PyTorch的DataLoader实现。
4. 数据集划分与分布式训练：将数据集分割并在多个GPU或计算节点上并行训练，利用分布式训练框架如Horovod、PyTorch的torch.nn.parallel.DistributedDataParallel或TensorFlow的tf.distribute.Strategy。
5. 数据压缩与降维：对数据进行压缩处理，如图像的量化、特征选择或降维（PCA、t-SNE等），减少内存占用。
6. 增量学习或持续学习：模型不是一次性训练完成，而是逐步学习新数据，每次迭代只添加或更新部分数据，适用于数据流持续到来的情况。
7. 使用TFRecords或其他高效的文件格式：将数据序列化为高效的二进制格式，如TensorFlow的TFRecords，这有助于减少读取时间和内存使用。
8. 近似方法和算法优化：对于特定类型的模型（如推荐系统中的矩阵分解），使用近似算法减少计算复杂度和内存需求。
9. 硬件升级与云服务：如果条件允许，增加物理内存或使用高性能计算资源，甚至迁移到云服务，如Google Cloud、AWS或Azure，它们提供了灵活的计算和存储资源。

• 数据量太小时，可以采取以下几种策略来有效管理和处理数据，确保模型训练的可行性：

1. 数据增强：

1. 1. 对现有数据进行变换以生成新的样本，如图像旋转、翻转、缩放、裁剪、色彩调整等，适用于计算机视觉任务。
   2. 文本数据可以通过同义词替换、句式转换、文本摘要等方式增强。
   3. 语音数据可以通过改变速度、音调、添加背景噪音等方法增加多样性。

1. 迁移学习：

1. 1. 使用预训练模型作为起点，这些模型在大型数据集上已经学习到了通用特征，然后在自己的小数据集上进行微调。
   2. 只对模型的最后一层或几层进行训练，保留前面的层不变，这样可以利用预训练模型的强大表示能力。

1. 集成学习：训练多个模型并将它们的预测结果结合起来，可以是bagging、boosting等方法，这有助于减少方差，提高模型稳健性。
2. 正则化：使用L1、L2正则化或Dropout等技术防止模型过拟合，使模型在小数据集上表现更好。
3. 半监督学习或自监督学习：半监督学习利用少量有标签数据和大量无标签数据进行训练；自监督学习则让模型从无标签数据中自我生成监督信号，减少对大量标注数据的依赖。
4. 生成模型：利用GANs（生成对抗网络）、VAEs（变分自编码器）等生成模型来合成新的数据样本，尤其是图像或文本数据。
5. 主动学习：一种迭代方法，模型在训练过程中主动选择最有价值的样本请求人工标注，从而高效增加数据质量和数量。
6. 模型精简：选择小型网络结构或进行模型剪枝，减少模型复杂度，使得小数据集也足以训练。
7. 重采样技术：对于类别不平衡的数据集，可以通过过采样少数类或欠采样多数类来平衡数据，提高训练效率。
8. 仿真数据生成：根据业务逻辑或领域知识创建仿真数据，尤其是对于难以收集真实数据的情况。

• 一定要进行数据预处理，把数据分布分散到均值为0，方差为1的区间，利于训练模型

注：数据增强要结合任务本身来设计

4. trick 4：关于调参

调参一定要做好笔记，每次只调1个参数。有哪些参数可以调呢?

4.1. 关于 Loss function 调参策略

是Model和数据之外，第三重要的参数。具体使用MSE、Cross entropy、Focal还是其他自定义，需要具体问题具体分析。

4.2. 关于 Learning rate 和 batch size 调参策略

1. Learningrate和batch size是两个重要的参数，而且二者也是相互影响的，在反向传播时直接影响梯度。一般情况下，先调batchsize，再调learning rate。
2. batch size不能太大，也不能太小，一般设置为16的倍数。

1. 1. 太小会浪费计算资源，
   2. 太大则会浪费内存;
   3. 特殊情况：batch size 在表示学习，对比学习领域一般越大越好，显存不够上累计梯度，否则模型可能不收敛… 其他领域看情况;

1. 如果使用微调，则learningrate设置：

1. 1. 一般nlp bert类模型在1e-5级别附近，warmup，衰减;
   2. cv类模型在1e-3级别附近，衰减;具体需要多尝试一下。

1. learningrate设置上有很多trick,包括cosing learning rate，warmup，衰减等。

4.3. 关于 Epoch number 和 early stopping 调参策略

1. Epoch number和Early stopping是息息相关的，需要输出loss看一下，到底是什么epoch时效果最好，及时early stopping；
2. Epoch越大，会浪费计算资源;epoch太小，则训练模型提取特征没到极致；
3. 此外，也要明自Epoch、lteration、batchsize的关系。

注：

1. 不要过早的early stopping，有时候收敛平台在后段
2. 对于数据量巨大的推荐系统的模型来说一个epoch足矣，再多就会过拟合。

4.4. 关于 Optimizer 调参策略

1. Adam和SGDM是最常用的两个，前者能快速收敛，后者收敛慢但最终精度更高。现在大家会先使用Adam快速收敛，后面再用SGDM提升精度。
2. 如果必须二选一的话，我会推荐Adam。

注：nlp，抽象层次较高或目标函数非常不平滑的任务优先使用adam，其他可以尝试下sgd(一般需要的迭代次数高于sgd)

4.5. 关于 Activation function 调参策略

1. ReLu、Sigmoid、Softmax、Tanh是最常用的4个激活函数。
2. 对于输出层，常用sigmoid和softMax激活函数，中间层Q常用ReLu激活函数，RNN常用Tanh激活函数。

4.6. 关于 Weights initialization 调参策略

1. 预训练参数是最好的参数初始化方式，其次是Xavir。

4.7. 关于 Regularization 调参策略

Dropout虽然思想很简单，但效果出奇的好，现在大部分任务都需要使用预训练型，要注意型内部dropout ratio是一个很重要的参数，首选0.5，使用默认值不一定最优，有时候dropoutreset到0有奇效；

4.8. 关于 Validation 调参策略

1. 在 Validation 筛选模型参数时，可以除loss函数外，设置某种规则引导模型向某个想要的方向去更新参数。

5. trick 5：模型训练过拟合和欠拟合问题？

模型训练过程中的过拟合（Overfitting）和欠拟合（Underfitting）是两个常见的问题，它们影响模型的泛化能力，即模型在未见过的新数据上的表现。

5.1. 欠拟合（Underfitting）

• 欠拟合（Underfitting）判断：欠拟合发生时，模型无法捕捉数据中的底层模式，导致模型在训练数据上表现不佳，同时在测试数据上的表现也会较差
• 欠拟合（Underfitting）发生原因：其主要原因是模型过于简单，不足以表达数据集中的复杂关系。欠拟合的迹象包括训练误差和验证误差都很高，且两者接近。
• 解决欠拟合的方法包括：

1. 增加模型复杂度：通过增加网络层数、节点数或使用更复杂的模型结构来提高模型的表达能力。
2. 增加特征：引入更多相关特征，帮助模型更好地理解数据。
3. 调整模型参数：优化模型参数设置，如学习率、批次大小等，以促进更好的学习。
4. 减少正则化强度：如果使用了正则化但模型依然欠拟合，可能需要减小正则化参数。

5.2. 过拟合（Overfitting）

• 过拟合（Overfitting）危害：过拟合的特征是训练误差很低，而验证或测试误差较高
• 过拟合（Overfitting）发生原因：过拟合则是模型在训练数据上表现过于优秀，以至于它学习到了训练数据中的噪声和偶然特性，而不是数据的真实分布。这导致模型在未见过的测试数据上的表现显著下降。
• 解决过拟合（Overfitting）的方法包括：

1. 增加训练数据：更多的数据可以帮助模型更好地泛化。
2. 正则化：通过在损失函数中加入正则项（如L1、L2正则化），限制模型参数的大小，避免参数过度优化训练数据中的细节。
3. 早停法（Early Stopping）：在验证集上的性能不再提升时停止训练。
4. 交叉验证：使用K折交叉验证等方法更准确地评估模型性能，避免过拟合。
5. Dropout：随机“丢弃”一部分神经元，减少模型对特定训练样本的依赖。
6. 数据增强：通过变换原始数据生成额外的训练样本，增加模型的泛化能力。
7. 简化模型：减少模型复杂度，如减少神经网络的层数或节点数，避免不必要的复杂性。

个人经验：如果过拟合，首先是dropout，然后batchnorm，过拟合越严重dropout+bn加的地方就越多，有些直接对embedding层加，有奇效。

6. trick 6：模型参数初始化方法

linear/cnn一般选用kaiminguniform 或者normalize，embedding一般选择截断normalize，论文很多，可以去看看。

7. trick 7

7.1. Normalization 选择问题

GN，BN和LN都是在神经网络训练时的归一化方法，BN即Batch Normalization，LN即Layer Normalization。

• BatchNorm：batch方向做归一化，计算NHW的均值
• LayerNorm：channel方向做归一化，计算CHW的均值
• InstanceNorm：一个channel内做归一化，计算H*W的均值
• GroupNorm：先将channel方向分group，然后每个group内做归一化，计算(C//G)HW的均值

GN与LN和IN有关，这两种标准化方法在训练循环（RNN / LSTM）或生成（GAN）模型方面特别成功。

• 如何选择：序列输入上LN，非序列上BN

7.2. 模型输出层选择问题

基于banckbone 构建层次化的neck一般都比直接使用最后一层输出要好，reduce function一般attention 优于简单pooling，多任务需要构建不同的qkv

8. trick 8：随机数种子设定问题

随机数种子设定好，否则很多对比实验结论不一定准确

9. trick 9：cross validation问题

cross validation方式要结合任务设计，数据标签设计，其中时序数据要避免未来信息泄漏

10. trick 10：新模型开发前期问题

做新模型的时候，最开始不要加激活函数，不要加batchnorm，不要加dropout，先就纯模型。然后再一步一步的实验，不要过于信赖经典的模型结构(除非它是预训练的)，比如加了dropout一定会有效果，或者加了batchnorm一定会有提升所以先加上，首先你要确定你的模型处于什么阶段，到底是欠拟合还是过拟合，然后再确定解决手段。

11. trick 11：badcase 分析问题

对于图像和nlp，效果一直不提高，可以尝试自己标注一些模型经常分错的case，然后加入训练会有奇效。