ويمكن أن تكون الشبكات العصبية الموالية للتدريب تحدياً بسبب مختلف المجازفات المشتركة، ويمكن فهم هذه القضايا وحلولها أن يحسن الأداء النموذجي وكفاءة التدريب.

Overfitting

ويحدث تجاوز في الملاءمة عندما تتعلم شبكة CNN بيانات التدريب بشكل جيد جدا، بما في ذلك الضوضاء والمخارج، مما يؤدي إلى تدني تعميم البيانات الجديدة، مما يؤدي في كثير من الأحيان إلى ارتفاع دقة التدريب، ولكن إلى انخفاض الدقة في التحقق.

ومن أجل معالجة الإفراط في الملاءمة، تستخدم تقنيات مثل زيادة البيانات، والتسرب، والتوقف المبكر، بشكل شائع، وهذه الأساليب تساعد على تعميم النموذج بشكل أفضل بمنعه من الاعتماد بشدة على أمثلة تدريبية محددة.

Underfitting

ويحدث نقص في الملاءمة عندما يكون النموذج بسيطا جدا أو غير مدرب لفترة كافية لاستخلاص الأنماط الأساسية للبيانات، مما يؤدي إلى ضعف الأداء على كل من مجموعات بيانات التدريب والتحقق.

ومن شأن زيادة تعقيد النماذج، والتدريب على المزيد من المزمار، أو قياسات الضغط الفائقة أن يساعد على التخفيف من الضعف، كما أن ضمان التنوع الكافي للبيانات أمر هام أيضا.

مسائل معدل التعلم

معدل التعلم يتحكم في مدى تأثّر الأوزان في النموذج أثناء التدريب، معدل تعلم مرتفع جداً يمكن أن يسبب انقسام النموذج، بينما معدل منخفض جداً يمكن أن يبطئ التدريب أو يجعله يعلق

وباستخدام جداول معدلات التعلم أو أجهزة التفاؤل التكيفية مثل آدم يمكن أن يساعد على الحفاظ على معدل التعلم الأمثل طوال فترة التدريب، وتحسين التقارب والأداء النموذجي.

عدم كفاية البيانات أو الصفوف المتوازنة

البيانات المحدودة قد تعوق قدرة سي إن على تعلم الملامح العامة، الفصول المتوازنة يمكن أن تُحيّز النموذج نحو حصص الأغلبية،

وتشمل الحلول جمع المزيد من البيانات، وتطبيق زيادة البيانات، واستخدام تقنيات مثل ترجيح الصفوف أو أخذ العينات المفرطة في التوازن بين الفصول.