机器学习模型设计后，还仅仅只是第一步，模型后期的调整也是机器学习非常重要的部分
在说模型后期调整前，再整理一下机器模型设计的基本步骤
1. 分析数据：分析、处理数据
2. 设计模型：神经模块叠加，激活函数选择
3. 损失函数：评估模型是否优秀
4. 优化函数：通过最小化损失函数，调整神经模块中的参数，一般为GD（梯度下降）、SGD（随机梯度下降）、Adam(Ada+Momentum 自适应+动量)
5. 训练集：使用训练集，通过循环执行优化函数对设计模型进行参数调整
6. 验证集：使用训练集训练好的参数，进行检测，看输出损失函数如何
7. 测试集：与验证集一样，分出验证集主要是由于测试集可能不会给出，所以需要自己划分验证集
当模型表现不好时，我们需要怎么改进模型呢？
测试集改进
首先，我们得问自己，模型在测试集（Training Set）中表现的好不好！
之前我就只看测试集中的表现，但其实如果模型在已有测试集中都表现不好，基本不太可能在测试集得到好结果
所以测试集获得的效果不太好时，我们有哪些方法对模型进行改进呢？
神经元个数
在每一层网络中，调整适合的神经元个数。理论上，一个拥有很多个神经元层可以表示任何的关系，可以适当增加神经元个数。但是也不能设置的太大，物极必反。
激活函数
sigmod、relu、tanh、softplus、softsign、linear
损失函数
MSE(均方差)、交叉熵
优化函数
GD、SGD、mini_batch、Adam
其中，mini_batch 可以当作是特殊的SGD, 获取一个batch后进行参数更新呢，而不是SGD每个数据都更新
Adam 是自适应调整学习率，距离最佳值越远，学习率越大，距离最佳值越小，学习率越小
测试集改进
当训练集效果很好，测试集效果不好时，就说明现在的模型overfiting了
我们应该在训练出能让测试集overfiting的参数后，再考虑下面这些改进测试集的方法
Early Stopping
当测试集出现损失函数值随着训练次数先下降，到一定点后又上升的情况时，我们就在验证集中寻找出最佳损失值的训练次数，提早停止
正则化
在损失函数后添加参数的约束项，通常为参数的第一范式和第二范式
Dropout
在训练集训练时，丢掉一些神经元，然后在测试集中正常训练
相当于是比赛中，平时训练增加难度，正真上场时就会轻松