如何提升深度学习性能？数据、算法、模型一个都不能少 你是如何提升深度学习模型的效果？ 这是我经常被问到的一个问题。 有时候也会换一种问法： 我该如何提高模型的准确率呢？ ……或者反过来问： 如果我的网络模型效果不好，我该怎么办？ 通常我的回答是：“具体原因我不清楚，但我有一些想法可以试试。”然后我会列举一些我认为能够提升性能的方法。 为了避免重复罗列这些内容，我打算在本文中把它们都写出来。 这些想法不仅可以用于深度学习，事实上可以用在任何机器学习的算法上。 提升算法性能的想法 我把这个列表划分为四块： 从数据上提升性能 从算法上提升性能 从算法调优上提升性能 从模型融合上提升性能 性能提升的力度按上表的顺序从上到下依次递减。举个例子，新的建模方法或者更多的数据带来的效果提升往往好于调出最优的参数。但这并不是绝对的，只是大多数情况下如此。  我在文章中添加了不少经典神经网络问题。 其中有一些想法只是针对人工神经网络，但大多数想法都是通用性的。你可以将它们与其它技术结合起来使用。  1.从数据上提升性能 调整训练数据或是问题的抽象定义方法可能会带来巨大的效果改善。甚至是最显著的改善。 下面是概览： 收集更多的数据 产生更多的数据 对数据做缩放 对数据做变换 特征选择 重新定义问题