1.使用標準資料集進行訓練並測試
以場景文字檢測為例，公開的資料集有icdar2011, icdar2013, icdar2015, coco-text, msra-td500等。如果想檢驗某檢測模型對於場景文字的檢測效能，可以先使用場景文字的標準資料集訓練，將結果與**中的結果進行比較。由於資料集的大小不一樣，或者trick的原因，可能不一定會得到完全相同的結果，但應當比較接近。
比如，測試github上公開的r2cnn**和east**，對於旋轉的場景文字資料集的檢測效能。鑑於icdar2015的測試集標註沒有公布，將icdar2015資料集公開的1000張訓練資料集隨機劃分為900張訓練集和100張測試集。兩個網路使用相同的訓練集，迭代10w次，測試結果分為為50%和70%。此時，可以得到大致判斷。
2.使用小資料集進行訓練
同樣的網路，對於不同的資料集的擬合效能可能存在差異。那麼，選用乙個新的資料集時，可以先用該資料集的子集進行快速迭代訓練，並直接在該訓練子集上進行測試，判斷該模型是否可以出現過擬合。如果可以，那麼說明該模型應當有能力提取該資料集的特徵；如果在非常小的資料集上也不能過擬合，那麼，需要重新考量該模型提取特徵的能力。
3.調整超引數
使用目標檢測的模型檢測場景文字檢測時，需要調整一些超引數，如anchor的比例，數量，正負樣本的比例等。同樣，可以使用子訓練集，同時對多組引數進行除錯。如果多組引數均不能work，那麼可能是模型本身的問題。
4.一些可能的方法
1）從簡單並且得到廣泛應用的網路開始，如vgg，如果可以的話使用標準的損失函式；
2）暫時去掉所有的trick，如資料增強（data augmentation）和正則化（regularization）；
3）如果是微調（finetuning）模型，再次檢測資料的預處理，保證其和原始網路訓練時一致；
4）檢查輸入資料是正確的；
5）從很少量的資料開始（2-20）樣本，使其過擬合，然後逐漸增加樣本；
6）逐漸增加trick，資料增強，正則化，新的損失函式，更複雜的網路等等。
已有前輩總結的《深度玄學：你的網路不work的37種原因》，可參考。
深度學習 如何訓練網路
目的 快速 有效地擬合。手段 隨機批處理 學習率 批規範化 模型優化演算法 遷移學習。隨機批處理，mini batch，一種在模型每輪 epoch 訓練進行前將訓練資料集隨機打亂 shuffle 的 訓練機制。可以防止被模型猜到 出樣本順序 作用 防過擬合。學習率，learning rate，控制模...
精確的判斷網路是否可用
自 http blog.joycode.com 5drush archive 2004 10 04 34843.aspx socket類的connected屬性往往不能精確的判斷出網路是否連線，下面這段 可以解決這個問題 是否已經連線 public virtual bool connected ca...
深度網路的學習問題
這是乙個4層網路隨著bp演算法每層激勵輸出的情況，對於這張圖可以理解的資訊如下 1 紅線在前一百次的訓練結果基本一致，可能的情況是第一層的權值變化太小，也就是說後向傳播的誤差資訊很難反饋到這一層 2 綠線和藍線的變化幅度反映了後向誤差資訊隨著層數的增加，其變化越小 3 對於黑線的情況最奇怪 1 方差...