引導(dǎo)學(xué)生讀圖，要避免“抓眉毛胡子一把抓”，要明確圖片反映的是什么，要學(xué)會(huì)從不同的圖片中獲取不同的信息，要明確圖形中的橫坐標(biāo)和縱坐標(biāo)分別代表什么。2.培養(yǎng)學(xué)生找到問題的切入點(diǎn)。每一個(gè)合理的問題都必然有其突破點(diǎn)，只是有些關(guān)系不明顯；學(xué)生一下子找不到。在這種情況下，幫助學(xué)生分析他們之間的關(guān)系并找到突破口是至關(guān)重要的。

具體是什么情況？日期的回歸確實(shí)是可能的，但只有在存在這樣一個(gè)原則的情況下才有意義:輸出是日期的函數(shù)。比如同一生長(zhǎng)環(huán)境下一棵小樹的長(zhǎng)度/周長(zhǎng)/重量，也就是說(shuō)神經(jīng)網(wǎng)絡(luò)訓(xùn)練 數(shù)據(jù)的選擇遵循了產(chǎn)出與投入的客觀關(guān)系，投入是產(chǎn)出的主要決定因素。其實(shí)網(wǎng)絡(luò)本身對(duì)效果影響不大。只要合理選擇網(wǎng)絡(luò)參數(shù)，效果不會(huì)有太大差別。關(guān)鍵是特征提取。

本文供參考和自學(xué)。為了充分利用我們有限的訓(xùn)練 數(shù)據(jù)，我們會(huì)通過一系列的隨機(jī)變換來(lái)升級(jí)數(shù)據(jù)，這樣我們的模型就不會(huì)看到任何兩張完全相同的圖片，這有助于我們抑制過擬合，使模型在keras中，這一步可以通過Keras來(lái)實(shí)現(xiàn)。預(yù)處理. image.image生成器生成批量圖像數(shù)據(jù)，支持實(shí)時(shí)數(shù)據(jù)推廣。

參數(shù)，比如:附上一個(gè)錯(cuò)誤的程序數(shù)據(jù) lifting是對(duì)抗過擬合問題的利器，但還不夠，因?yàn)閘ifted 數(shù)據(jù)還是高度相關(guān)的。反對(duì)過擬合，你應(yīng)該主要關(guān)注模型的“熵容量”模型允許存儲(chǔ)的信息量。可以存儲(chǔ)更多信息的模型可以使用更多的功能來(lái)實(shí)現(xiàn)更好的性能，但也存在存儲(chǔ)不相關(guān)功能的風(fēng)險(xiǎn)。另一方面，只能存儲(chǔ)少量信息的模型將主要關(guān)注真正相關(guān)的特征，具有更好的泛化性能。

使用TensorFlow，必須了解tensorFlow:用圖來(lái)表示計(jì)算任務(wù)。在稱為會(huì)話的上下文中執(zhí)行圖形。用張量來(lái)表示數(shù)據(jù)。通過變量維護(hù)狀態(tài)。使用feed和fetch為arbitraryoperation賦值或從中獲取。

執(zhí)行計(jì)算以生成0個(gè)或多個(gè)張量。每個(gè)張量都是一個(gè)類型化的多維數(shù)組。例如，您可以將一小組圖像表示為四維浮點(diǎn)數(shù)組。如果用現(xiàn)有的深度學(xué)習(xí)來(lái)實(shí)現(xiàn)這個(gè)，就需要很多意外數(shù)據(jù)，而數(shù)據(jù)在這方面的供給是非常有限的。首先，沒有人能準(zhǔn)確預(yù)測(cè)何時(shí)何地會(huì)發(fā)生什么樣的事故，所以無(wú)法提前系統(tǒng)部署收集真實(shí)事故數(shù)據(jù)；其次，從法律上講，不能靠人為事故來(lái)收數(shù)據(jù)；再次，數(shù)據(jù)無(wú)法模擬，因?yàn)槭鹿噬婕案嗟氖菍?shí)時(shí)感知和與物理世界的交互。模擬的數(shù)據(jù)和真實(shí)的數(shù)據(jù)差距很大，從DARPA機(jī)器人挑戰(zhàn)賽就能看出來(lái)。

如果缺少數(shù)據(jù)，而又很難通過之前的有效途徑增加數(shù)據(jù)，那么深度學(xué)習(xí)的優(yōu)勢(shì)就無(wú)法發(fā)揮。更重要的是，我們會(huì)遇到數(shù)據(jù)的類型不一樣的問題，在物理世界中，是不同傳感器獲得的實(shí)時(shí)數(shù)據(jù) stream，而現(xiàn)在信息世界中深度學(xué)習(xí)的應(yīng)用，比如圖像識(shí)別，使用的是數(shù)據(jù) all基于圖片。