深度学习一般工作流程

一、定义问题，收集数据集。

注意确保数据集特征丰富程度足以作出预测

二、定义模型预测性能指标

如：平衡分类问题常用精度、接受者操作特征曲线下面积；不平衡分类问题常用精度和召回率；标量回归常用平均绝对误差（MAE）等等。

三、确定模型评估方式

如：留出法、K折交叉验证、乱序重复K折交叉验证

四、数据预处理

预处理目标：

1、特征值为张量数据

2、特征取值较小（0-1区间或正负1区间）

3、特征非异质数据

4、特征缺失处理为0

五、搭建模型

1、确定激活函数、损失函数

问题类型	输出层激活函数	损失函数
二分类	sigmoid	binary_crossentropy
多分类单标签	softmax	categorical_crossentropy
多分类多标签	softmax	binary_crossentropy
标量回归	NONE	MAE

2、从简单结构开始逐步扩大模型规模

3、考虑正则化和dropout

六、交叉验证

在验证集上多次训练，找到最佳性能的模型结构

七、测试集验证

注意：测试集性能和验证集性能相差较大，考虑采用更复杂的验证方法，如乱序重复K折交叉验证