深度学习：loss损失不下降

这两周写代码遇到了一些问题，在训练深度学习模型时，出现损失不下降的问题。不同的state-of-art模型已经尝试很多种，损失一直维持在0.02～0.04；以下loss下降方法排除 model 影响。

损失下降方法原因

• 数据集不够，往往导致在此数据集上，不能很好的训练模型；或者训练样例特征太复杂，难以拟合。
• 学习率太高，loss肉眼可见的上下徘徊。
• batch size太大，导致loss上下徘徊，难以拟合。
• 尝试不同的优化器，SGD 、 Adam等。
• dropout用的太多了，适当减少。
• 训练时间不足。

---

个人心得：如果模型不能使得loss下降了。

第一反应应该是，要学习的特征太过复杂，简化要学习的特征。比如一张要训练矩阵为[16, 4, 64, 64, 64]的3D图像（batch size、channel、width、height、depth），可以处理为4 * [16, 4, 64, 64, 16]类似方法，还可以添加其他处理；也可以降低batch size。

第二反应是，学习率问题。给出一个初始学习率lr和lr_decay，在训练过程中进行学习率下降，下降方式也可以使用其他公式来代替。

''' 
lr = 0.01
lr_decay = 0.9
optimizer = torch.optim.Adam(params=model.parameters(), lr=lr)
'''

for epoch in range(max_epoch):

	# training code...
	
	lr_ = lr * lr_decay
	for param_group in optimizer.param_groups:
		param_group['lr'] = lr_

	# code...
	

第三反应，batch size等问题，调参，不多说。
第四反应，还是看模型吧，dropout等问题，还是得看。

觉得有用就点个赞吧！