weixin_72250436的博客

实践方法论核心在于系统化诊断问题，从训练误差入手逐步排查模型选择不应盲目追求复杂度，而要以泛化性能为最终标准解决问题不靠单一技巧，数据质量与领域知识永远比调参更重要。

多个ReLU/Sigmoid节点串联成多层网络即为神经网络多层神经网络也称为深度学习（隐藏层越多=越深）历史经典网络 (ImageNet 数据集)：AlexNet (2012, 8层, 16.4%错误率)VGG (2014, 19层, 7.3%错误率)GoogleNet (22层, 6.7%错误率)ResNet (152层, 3.57%错误率)网络层数越深，表达能力越强，但更需防范过拟合总结与启示。

目标：量化「模型预测 ≠ 真实值」的痛感。常用公式MAE⇢ 抗离群，梯度恒 1/-1，训练稳定。MSE⇢ 放大大误差，适合“严重 miss 罚重”业务。误差表面 (Error Surface)(w,b) 采样 → 画等高线。红=差，蓝=好。可视化验证直觉：若 valley 大体沿w≈1，说明前一天对第二天确实贡献 ~100%。Reflection真实运营里，更 careMAPE或SMAPE，因为“百分比”对比跨频道更公平。损失 ≠ 报告指标；可用 MSE 训练后再用 SMAPE 汇报。