奇奇怪怪的知识增加了——那些神经网络中出现的问题
看完了视频课，做完了练习题，开始实战，啊这啥情况，啊这又是啥情况，啊这老师没教过啊，啊这论文没写过啊，没错，奇奇怪怪的问题开始出现了。其实这并不奇怪，神经网络嘛，老黑盒了。那么就来看看神经网络中论文不会写，但你却会遇到的奇怪问题吧。本文不定期更新，全看我自己遇到了哪些新的乐子。
数据与损失函数（过拟合）
拟合模型最大的特点是，从外部没有办法直接把需求传递给模型，模型只会也只能通过数据和损失函数，换句话说，模型并不是真正按着设计者的要求去做的，这是人类思维与计算机思维的区别，以分类模型为例，假设有以下两个图片样本做为训练集
该样本的标签为A
该样本的标签为B
那么问题是
这个测试样本的标签是什么呢？
有兴趣的可以从人类的角度去观察一下猜猜，但这道题的答案是——都可以
这就是问题所在了，首先，区分A和B两个样本的方法有很多，这是因为样本中总是包含不同的特征，例如，A样本可以看出是在室外，可以看出是蓝色的，可以看出车头对着右，B样本可以看出是在室内，可以看出是黄色的，可以看出车头冲着我们，那再看看这个测试样本，场景是在室外，与A相同，蓝色的，与A相同，车头冲着我们，与B相同，显然，从人类的角度来看，根据分类的标准不同，测试样本被分为A和B的可能性都是有的，可能有人会觉得，测试样本与A样本有两种特征相同，与B只有一种特征相同，那不是应该更倾向于A么，很遗憾，首先这里我们是以人类的角度去考虑的，模型的关注点与我们未必相同，其次，如果模型发现某种特征可以区分开数据，一般来说就不会再去学习新的特征了，这点常见于GAN的模式崩溃——如果你希望模型生成猫和狗的图片，生成器生成猫的图片后发现判别器通过了，那么后面生成的有可能就全是猫，反之亦然。
所以说，所谓的数据和损失函数，实际上都是以区分开标签为目的的，换句话说，我们没有办法告诉模型我想让你确认的特征是什么，我们最多能说我想让你作区分，至于特征是什么，你自己看着办吧，也就是说，数据光有数量是不够的，还要有区分度，也就是有质量，各种类型的样本数量均衡是同样的道理。那如果数据不够怎么办呢，首先就应该考虑人为破坏某些不相干的特征，这点常用于数据增强，比如我不想让你识别车头方向，那我把图像翻转了，不想让你识别长度，那我把图像拉伸压缩，不想让你识别车体的形状，那我把图像裁剪再乱拼起来，不想让你识别颜色，那我把图像灰化了，这些都是可以的。如果你的数据是爬来的，就应该注意，别对着一个地方使劲儿爬，比如想训练文本生成，你去知乎爬，训练出来模型张嘴就“人在美国刚下飞机”，去网易云爬，训练出来模型张嘴就“有的人8岁就死了80岁才埋”，倾向性都很明显，放在现实里典型的人传人现象，小丑的演员把自己扔精神病院呆久了人不是也疯了么。但如果你在各个网站爬，那样本就会相对均匀，模型能学到的东西也更多。
损失函数在某个位置急剧反弹（学习率调整）
这个问题比较偏工程，论文里没法说。这种情况在分类问题里比较少见，但是在输出序列的模型里经常见到。这种现象出现的原因是当输出为序列时，模型需要顾及的问题会远比输出几个点多，这种情况下轻微的参数变动就可能导致连锁反应，在刚开始训练时，你完全可以这样来节省时间
然后训练了一段时间后就
显然，半面墙的情况，你照一面墙的力道去训练，砸过界了
那这种情况怎么办呢，我说上句你接下句
前方收费站
这种情况也很好解决，在合适的时候降低学习率就行了，问题就在于这个合适的时候，首先我一说到降低学习率，估计大家首先会想到的就是学习率衰减torch.optim.lr_scheduler.StepLR
但实际情况是这东西并没有想象中好用，因为我们在训练之前并不知道“收费站”具体在哪，就算知道了，这种提前设置就相当于让你在开车的时候给一脚油门，然后精准地停在收费站前，显然这并不容易，大部分时候要么停早了还得补，要么就直接冲卡了，那这种时候怎么办呢？这里个人的建议是，首先设置一个函数，在循环外计算一定范围内的损失函数变化，周期性地条件语句作为检查点，当该函数下降时，周期性地保存模型，这个周期具体多久可以看个人情况，我个人是设置在每次迭代后；然后人为观察，当发现损失函数出现异常反弹（设置了训练过程中显示损失函数）或在资源管理器里发现模型已经有相当长的时间没有保存（没设置训练过程中显示，不过一般情况下应该都会设置吧。。。）时手动终止训练，然后人工降低学习率，读取模型继续训练。如果需要append记录损失函数变化趋势时，请同样周期性保存负责记录的数组，在读取模型时读取该数组继续训练。
暂时先写这么多了，后面遇到啥奇怪的情况继续写，有时候感觉做工程也是件挺有趣的事吧，能遇到各种奇奇怪怪的问题。