【机器学习算法】神经网络与深度学习-7 DNN深度学习算法模型出现学习效果不好的情况，如何补救，对策如下

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

训练数据效果不好的情况，采用什么对策

方法1：选择其他误差处理方法：proper loss

方法2：Mini-batch

方法3:使用新的激活函数，选择一个合适的激活函数能帮你把total loss下降的更低。

方法4：学习速率的调整learning rate 调小学习速率，增加精确值，或者使用动态学习速率的。调整

方法5：因为我们平时都只能找到局域最优解，而很难找到全域最优解，momentum，利用动量的方式跳里原先的最小值的范围，让找到全域最优解得到可能性变大。

方法1：proper loss

我们神经网络的误差优化方法一般使用的都是Square Error，利用实际值和输出值的平方差来进行误差调整，都是既然我们测试集的数据错误率很高，我们就可以采用不同的误差公式计算，比如Cross entropy=就是对每一项都用目标字段的值乘以输出字段取自然数为底对数的对数值的累积求和，（含义就是，当你标准字段上得到值越大，entropy得到值就会越小，只考虑，标准答案的概率值。