1.如果有可避免的高的偏差（可避免是相对于人类的水平来说的），可以通过增加网络深度来解决。如果方差较高的话（过拟合），增加数据量。
2.现在有很多很棒的神经网络架构，尝试新的框架相较于增加网络模型和数据量具有高的不确定性。
3.增加模型的大小会减小bias，但是可能增加方差，也有过拟合的风险。但一般来说，这种过拟合是由于没有使用正则化。如果有一个设计不错的正则化模型，我们可以放心的增加模型大小。如果我们使用了正则化，dev set的效果较好，那么增加模型后，dev set的效果至少不会减少。这时唯一阻止增加模型的原因就是由于模型增加导致的计算的增加。
4.增加正则化会增加bias，但是会减小variance。
5.那么增么平衡bias和variance呢？比如：我们在增加模型大小的同时，调整正则化，那么bias减小了，但是variance则不会增加太多；增加训练数据可以减小variance，但是不影响bias。
6.如果我们的模型bias较高，怎么办？训练效果太差。
1，增加网络大小，如果通过增加网络导致高的variance，通过正则化降低variance；
3，减少或者避免使用正则化（包括L1，L2，dropout），但是可能导致variance增加。
4，修改模型结构；
5，这时增加需训练数据一般不会对bias有显著的帮助。
7.bias太高的话，还可以对训练数据进行错误分析。通过观察训练数据，列一个表：
分析是什么原因导致训练集效果较差，然后专注于解决这个问题。比如上表显示背景噪声干扰较多，那么接下来就要关注具有噪声的数据了。还有一种办法来检查训练数据，如果连人类都不能很好的处理这些数据，那么难怪算法也不能处理的很好。我们会测试一下人类在训练数据上的表现。
8.如何减小variance呢？
1，增加训练数据（最可靠的方法）；
3，提前结束训练，也会导致高的bias，也相当于是一种正则化；
4，进行特征选取，减少输入特征，当然可能也会增加bias，一般来说训练数据较少时，这种方法会很有用。
5，减小模型，要慎重使用，这可能导致大的bias，一般来说增加正则化就可以取得很好的效果，减小模型的一个好处就是减少计算，加快训练，如果我们的计算资源还算充足，那么首先增加正则化；
6，通过错误分析修改特征，比如我们增加了特征，但是导致variance增加，那么我们使用正则化，正则化一般可以消除variance的增加。
7，修改模型，如果能够找到一个好的模型，那么bias和variance都会有好的效果。