1. 数据处理
请参考PCA的数学原理，PCA利用数据之间的相关性，通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。
2. 权重处理：神经网络权重初始化问题，Xavier初始化方法
3.权重处理：批标准化
关于BN的作用，总体来说，可以提升网络的速度性能和稳定性。至于为什么产生这样的效果，目的实际目前还没有定论，提出的时候是解决一个叫internal covariate shift的问题，直观上还有些其他好处。
对于上述公式的第四步：前面加了个normalization之后，很可能不是最优。再弄个线性映射，参数都是可学的。
4、防止过拟合：L1正则化与L2正则化
（1）防止过拟合的原因
结构风险最小化： 在经验风险最小化的基础上（也就是训练误差最小化），尽可能采用简单的模型，以此提高泛化预测精度。加上L1和L2正则化项可以增大惩罚项，使模型更简单。
（2）以同一条原曲线目标等高线来说，现在以最外圈的红色等高线为例，我们看到，对于红色曲线上的每个点都可以做一个菱形，根据上图可知，当这个菱形与某条等高线相切（仅有一个交点）的时候，这个菱形最小，上图相割对比较大的两个菱形对应的1范数更大。所以找相切的点。
几乎对于很多原函数等高曲线，和某个菱形相交的时候极其容易相交在坐标轴（比如上图），也就是说最终的结果，解的某些维度极其容易是0，数学可证明，这也就是我们所说的L1更容易得到稀疏解（解向量中0比较多）的原因。L2范数的从图上来看，不容易交在坐标轴上，但是仍然比较靠近坐标轴。因此这也就是我们老说的，L2范数能让解比较小（靠近0），但是比较平滑（不等于0）。
（3）L2 针对于这种变动, 白点的移动不会太大, 而 L1的白点则可能跳到许多不同的地方 , 因为这些地方的总误差都是差不多的. 所以L1相比于L2不稳定。如下图所示：
5、防止过拟合：dropout为啥能防止过拟合？
- 取平均，各种过拟合相互抵消，相当于多个模型的组合
- 减少特征之间的依赖性，增加鲁棒性，泛化能力
注意： 经过上面屏蔽掉某些神经元，使其激活值为0以后，我们还需要对向量y1……y1000进行缩放，也就是乘以1/(1-p)。
p的概率屏蔽神经元，那平均就是留下了比例为1-p的神经元，那要保证输出的数值差不多，就除以1-p。
dropout率一般选0.5，为了保证随机生成的网络结构的多样性。就是比如p特别小，那很多网络结构出现的概率就很低，p特别大也是。实际中也不见得非是0.5，具体衡量得用网络结构的分布的熵吧，具体得试，不想试就还是0.5。
