关于网络训练时的参考建议：
1.train loss不断下降，test loss不断下降，网络正在学习
2.train loss不断下降，test loss趋于不变，网络过拟合，需要增大数据；减小网络规模dropout；权重衰减或正则化L2等
3.train loss趋于不变，test loss趋于不变，遇到瓶颈，需要减少学习率和批处理大小
4.train loss趋于不变，test loss不断下降，数据集100%有问题
5.train loss不断上升，test loss不断上升，可能网络结构设计不当，超参设置不当，bug等
6.train loss不断上下跳动，可能学习率过大或批处理太小
7.batchnorm：如果每个batch输入的数据都具有不同的分布，会给网络的训练带来困难，数据经过一层层网络计算后，数据分布
也会发生变化，此现象称为 internal covariate shift(内部协变量漂移)，之前的解决方法是：较小的学习率；小心的初始化参数；数据白化处理
internal：发生在网络内部
covariate shift：发生在输入层
让每个隐层节点的激活输入分布固定下来，这样就避免internal covariate shift
8.偏差：模型结果和实际结果的偏离程序
9.方差：模型结果围绕着实际结果波动的程度
10.偏差大：不了解数据和数据形态；增加维度，如多项式、高阶项，减少正则参数
11.方差大：波动(可能来自无关紧要的离群值)、不收敛、模型没有找到数据变换的节奏、提供的数据变化不丰富；增加样本，减少特征集合size、增大正则参数
