在训练神经网络的时候，如果没有得到好的结果，我们就需要使用一些特殊的技巧。下面分别讨论在两种不同的情况下，调整模型的方法。
1.训练集上得到的误差很大
如果模型在训练集上得到的误差就已经很大，说明可能是你没有选择合适的函数集或者是漏掉了最优解，针对这两种情况，可以选择两种改进方法。
（1）修改激活函数（activation?function）
在之前两篇文章中使用的激活函数是sigmoid函数，但是sigmoid函数的问题在于它对于输入的变化是不敏感的，也就是说，输入产生的变化对输出的影响是很小的。
于是，每经过一次sigmoid函数，输入的变化就会衰减一次，在经过很多层Hidden?Layer之后，输入对于输出的结果就几乎没有什么影响了。这会导致我们的训练误差偏大。
选用其他的激活函数可以解决这个问题。
ReLU：在z<0时，函数值为0；在z>0时,函数值等于输入。这样z<0的部分对于整个神经网络没有影响，z>0的部分，函数是线性的，，解决了衰减的问题。
?
Maxout：把原本要作为激活函数的输入的值进行分组（分组的方式和数量人为指定），取每组的最大值作为输出。
这样的结构代表了激活函数的形式是可学习的。它能包含许多函数形式在内，包括ReLU。下图展示了Maxout如何实现与ReLU相同的效果。
?当然，Maxout也可以实现更多的函数形式。这些函数都是分段的，并且每一段都是线性的。
但是有一个问题，这样的激活函数是不能微分的，那么如何使用梯度下降的方法训练这样的神经网络呢？答案是如果每次只使用分段函数的一段就可以避免这个问题。我们注意到，在取max之后，只有一个神经元的输入发挥了作用。这意味着，对于一组固定的输入而言，删去那些没有被用到的神经元对整个神经网络的学习是没有影响的，激活函数等同于一个线性的函数。所以在训练的时候只需要考虑这些发挥作用的神经元的参数即可。
如下图所示，在训练过程中，针对输入x1和x2，第一层只有和
发挥了作用，此时相当于删除了神经元
和
，激活函数是
。这样我们就能像处理一般的神经网络一样，使用Backpropagation训练参数。
那没有被考虑到的神经元呢？他们的参数如何训练？答案是在训练神经网络的过程中，通常会提供多批输入数据，数据不同，被训练到的神经元也不同。只要多次训练模型，就可以保证每个神经元的参数都被训练到。
（2）采用不固定的学习率
RMSProb：如下图所示是RMSProp的递推式，其中α是一个超参，取值范围是0到1。α越大，代表越重视之前的计算出的梯度；α越小代表越重视刚计算出的梯度。
Momentum:假设从处开始计算，定义一个量Movement，每次迭代的方向变就变成该点梯度（Gradient）和Movement的矢量和。具体的迭代式子如下图所示，其中
和
是常数。
这个过程与物理过程类似。如图中的小球，假如从一个比较高的的地方滚下来的话，有可能借助惯性翻过比较大的局部最小值，从而达到更小的局部最小值，得到更优解。
Adam：这种方法综合了前两种方法，能得到更好的效果。
?2.训练集上得到的误差较小，但是测试集的误差较大
如果在训练集上得到的误差较小，但是在测试集上的误差较大，说明有可能出现了过拟合的情况。有三种常见的方法能解决该问题。
?（1）及时停止
为了避免在测试集上的误差过大，采用让训练的迭代次数减少的方法可以减少过拟合的情况。与一般机器学习使用方法相同。
（2）正则化?
为了防止过拟合，可以在Loss?function中增加正则项，来增加对参数过多的“惩罚”。与一般的机器学习使用方法相同。
?（3）Dropout
Dropout是在深度学习特有的一种方法。在训练之前，把每个神经元以p%的概率删除，用得到的新的神经网络训练参数。在测试的的时候，保留所有的神经元，但是每个神经元的weight都要乘1-p%。通常p%取0.5.
?dropout神奇的地方在于，这样的做法与集成的做法（训练许多神经网络然后对结果取平均）得到的结果是相似的。而且如果使用类似线性的激活函数，dropout的效果往往比其他的函数效果要好。
最后要指出的是调整模型一定要对症下药，先判断出目前的模型处于什么状态再做出改变，否则可能无济于事甚至得到更差的结果。比如，模型在训练集上就表现得不好，如果此时再使用dropout的方法，模型可能就会越来越差。