影响模型效果的一些因素
1. 梯度消失和梯度爆炸
2. 模型参数初始化
3. 考虑到环境因素的其他问题
4. 实例：Kaggle房价预测
1.梯度消失和梯度爆炸
深度模型有关数值稳定性的典型问题是消失（vanishing）和爆炸（explosion）。
当神经网络的层数较多时，模型的数值稳定性容易变差。
假设一个层数为\(L\)的多层感知机的第\(l\)层\(\boldsymbol{H}^{(l)}\)的权重参数为\(\boldsymbol{W}^{(l)}\)，输出层\(\boldsymbol{H}^{(L)}\)的权重参数为\(\boldsymbol{W}^{(L)}\)。为了便于讨论，不考虑偏差参数，且设所有隐藏层的激活函数为恒等映射（identity mapping）\(\phi(x) = x\)。给定输入\(\boldsymbol{X}\)，多层感知机的第\(l\)层的输出\(\boldsymbol{H}^{(l)} = \boldsymbol{X} \boldsymbol{W}^{(1)} \boldsymbol{W}^{(2)} \ldots \boldsymbol{W}^{(l)}\)。此时，如果层数\(l\)较大，\(\boldsymbol{H}^{(l)}\)的计算可能会出现衰减或爆炸。假设输入和所有层的权重参数都是标量，如权重参数为0.2和5，多层感知机的第30层输出为输入\(\boldsymbol{X}\)分别与\(0.2^{30} \approx 1 \times 10^{-21}\)（消失）和\(5^{30} \approx 9 \times 10^{20}\)（爆炸）的乘积。当层数较多时，梯度的计算也容易出现消失或爆炸。
2.模型参数初始化
2.1PyTorch的默认随机初始化
随机初始化模型参数的方法有很多。在线性回归的简洁实现中，我们使用torch.nn.init.normal_()使模型net的权重参数采用正态分布的随机初始化方式。不过，PyTorch中nn.Module的模块参数都采取了较为合理的初始化策略（不同类型的layer具体采样的哪一种初始化方法的可参考源代码），因此一般不用我们考虑。
2.2Xavier随机初始化
还有一种比较常用的随机初始化方法叫作Xavier随机初始化。
假设某全连接层的输入个数为\(a\)，输出个数为\(b\)，Xavier随机初始化将使该层中权重参数的每个元素都随机采样于均匀分布
\[ U\left(-\sqrt{\frac{6}{a+b}}, \sqrt{\frac{6}{a+b}}\right). \]
它的设计主要考虑到，模型参数初始化后，每层输出的方差不该受该层输入个数影响，且每层梯度的方差也不该受该层输出个数影响。主要针对于全连接神经网络。适用于tanh和softsign。
论文地址：Understanding the difficulty of training deep feedforward neural networks
3. 考虑到环境因素的其他问题
3.1协变量偏移
数学上，P（x）改变了，但P（y∣x）保持不变。例如用真实世界中猫和狗的图像数据训练模型，却要用该模型来对卡通猫和狗进行判别。
3.2标签偏移
数学上，P（y）上的边缘分布的变化，但类条件分布是不变的P（x∣y）的。例如用猫和狗的图像数据训练模型，却要用该模型来对马和羊来进行判别。
3.3概念偏移
标签本身的定义发生变化的情况。例如soft drink 可以指suda, coke...
\[ 美国软饮料名称(soft drink)的概念转变 \]
4.实例：kaggle房价预测案例
notebook地址：