之后，就可以运行你的分类器了。不要高兴得太早，虽然目前它的训练准确率已经超过了99%，但当我们用实际场景来测试时，分类器表现并不好。这是为什么呢？

你构建的神经网络可能带有简单的指示性偏差，扫描手写的图片可能带有灰白的背景色，而软件生成的JPEG是纯白色的背景。你的神经网络为了解决你交给它的问题，可能并没有去分析内容、上下文、形状和颜色等要素，而是只抓住了背景色的这一点微小差别。

需要记住的是，你的神经网络永远都不会明白你的大方向，它所做的就是基于手头的目标和数据，atv，以最简单的方式尽快给出一个答案。

彻底审查你的数据集，消除可供神经网络钻牛角尖的特征，atv，可以节约成本和时间。

问题四：

你的网络有兄弟问题可以为它提供支持吗？

在特定领域的问题上，诸如GloVe和Inception之类的预先训练模型可能并不好用。这将迫使你开始随机初始化神经网络，也就意味着可能经过好几天的训练，你还不知道自己的模型效果如何。

你的模型可能还面临着一个问题：数据集太小了或者质量太差了，即使通过旋转、变形等手段扩充之后，也还是达不到训练的要求。

在这种情况下，寻找它的兄弟问题可能是个解决办法。但要注意，这些问题需要符合两个标准：

它们不能和你手头的数据集有同质量和数量的问题。

它们的神经网络需要有一组层，能捕捉到你的模型所需的概念。

你的网络是做不到还是懒？如果它懒，如何逼迫它学习？

假如你是一个绘画外行，让你猜测三幅昂贵的绘画作品价格。有三个可用信息可供你查看——作品的年限、作品十年前的价格和这幅画的高分辨率图像。

在没有经过前期训练的情况下，让你完成这个任务，给出尽可能正确的答案，你会怎么办？

你是会报名参加一个为期两月的绘画课程，来学习复杂的绘画技艺，还是会考虑用作品的年限和十年前的价格做一个方程来猜测价格？

即使你能意识到理想的价格方程式包含这三种信息的组合，但你还是很愿意接受一个懒惰的选项：、用两种信息来进行预测。虽然这个选项不是最优解，但也是在能接受范围的。你会更倾向只依赖容易理解和表达的信息。

在用机器学习解决真实问题时，如果你的模型有多个输入信息，它们的复杂度差异很大时，也会遇到这个问题。对这样的模型进行训练，几个周期之后，你可能会发现你的模型好像已经接近完成，并且拒绝进一步学习。

在这种情况下，最好的解决方法是去掉一个输入项，看整体指标的变化。如果一个输入项和结果相关，去掉了之后却对结果毫无影响，你就应该考虑单独用这个输入项来训练模型，当模型学会了依据这个输入项做判断之后，再逐渐将其余的信息也加入进来。

【完】

招聘

量子位正在招募编辑记者、运营、产品等岗位，工作地点在北京中关村。相关细节，请在公众号对话界面，回复：“招聘”。

One More Thing…

今天AI界还有哪些事值得关注？在量子位（QbitAI）公众号对话界面回复“今天”，看我们全网搜罗的AI行业和研究动态。笔芯~

另外，欢迎加量子位小助手的微信：qbitbot，如果你研究或者从事AI领域，小助手会把你带入量子位的交流群里。

追踪人工智能领域最劲内容