知乎上看到的
- 收集高质量标注数据
- 输入输出数据做好归一化，以防出现数值问题，方法就是主成分分析啥的。
- 参数初始化很重要。太小了，参数根本走不动。一般权重参数0.01均方差，0均值的高斯分布是万能的，不行就试更大的。偏差参数全0即可。
- 用SGD ，minibatch size 128。或者更小size ，但那样吞吐量变小，计算效率变低。
- 用带momentum的SGD，二阶方法不用也罢。
- 梯度更新的步长很重要。一般0.1是个万能数值。调参可改进结果，具体做法是人肉监督：用另外的验证集观察测试错误率，一旦不降了，步长减半甚至更多。
- 梯度归一化：除以minibatch size ，这样就不显式依赖minibatch size
- 限制权重参数的最大值防止跑飞。一般最大行范数不超过2或者4，否则同比收缩到这个值。
- 梯度大致应该总是只改变参数的千分之一，偏离这个数字太远的，调之。
- dropout一定要用
- relu一定要用
授人以鱼不如授人与渔。cnn调参，最好的参考论文就是那篇nips2012用cnn做imagenet的，没有之一。dropout那篇文章可作为最佳补充。