共计 878 个字符，预计需要花费 3 分钟才能阅读完成。
不行了，临上班前看见社群里有个小哥哥发了一大段话，太太太……搞笑了！！！
为啥明明很深奥的情理，到他笔下就那么的……接底气？？？？
这我可就不想急着上班了，我得让大家一起高兴啊😂
这个分享就叫： 说人话系列
内容起源：【炼丹必备】调参心法
创作者：阿洲
残缺内容如下：
现实状态下，咱们最想看到的是训练损失降落，验证损失降落，并且验证损失大于训练损失，当然现实很饱满，事实很骨感，一起来看看以下常见的状况和思路剖析把。
A：训练损失降落，验证损失降落，然而验证损失小于训练损失。这种状况最须要留神的就是查看一下验证集的数据，确保验证集数据不会太少或者是太简略了。
B：训练损失降落，验证损失不变甚至开始回升了，这种状况就是模型训练过拟合啦，阐明模型开始自以为是了，问题太好可能是题太简略了，所以须要减少难度了，比方减少点 dropout rate。
C：训练损失不变，验证损失降落。啥？平时作业都做不利索，考试的时候你考第一？查，这小子必定舞弊了！连忙查查训练集和验证集的数据把。
D：训练损失不变，验证损失也不变，怎么了，躺平了是吧？可能的确是难度太大了，升高点学习率吧，咱学慢点，别步子迈的太大了，batch size 也调下来点，慢点吃，别塞着了。还能够看看一些非正常状况，比方你数据的 label 都是错的，或者 Loss 函数都写错了，那这就别怪我躺平了，真学不了。
E：训练损失不变，验证损失回升，祝贺你，遇到疑难杂症了，我帮不了，解铃还须系铃人，本人再好好查查数据集把，个别人遇不到这种状况。
F：训练损失回升，打住打住，我不想听你验证损失怎么了，你这训练损失回升，反向学习给谁看呢？反向学习还能学的这么认真？连忙给我停下来，看看是什么样【蠢才】的网络设计，或者是什么狗屁不通的超参组合，我劝你耗子尾汁。
G: 损失值呈现了 nan, 你小子诚实交代，是不是本人设计了一个 loss 函数？连忙查查看把，什么？你没设计？那你看看你数据外面是不是就有 nan 呀？什么？也没有？那难道是梯度爆炸了？也，也不是？神仙难救，神仙难救啊！
对于调参炼丹，您有啥独门秘籍，说进去给咱开开眼呗，别藏着掖着啦。
