Những mô hình học tập sâu sắc là công cụ mạnh mẽ cho nhiều ứng dụng, nhưng việc thiết kế mô hình hữu hiệu có thể là thách thức.

Quá phù hợp

Phù hợp quá mức xảy ra khi một mô hình học được dữ liệu đào tạo quá tốt, bao gồm nhiễu và hơn nữa, mà giảm khả năng tổng quát của nó để tổng quát hoá dữ liệu mới. Kết quả là độ chính xác cao đào tạo nhưng hiệu suất kém trên dữ liệu vô hình.

Để giảm thiểu sự phù hợp, các kỹ thuật như bỏ học, dừng lại sớm và thường xuyên được dùng.

Hợp

Điều kiện hợp lý xảy ra khi mô hình quá đơn giản để ghi lại các mẫu bên trong dữ liệu.

Việc phân tích các mẫu vật có tính chất tương thích bao hàm sự phức tạp ngày càng nhiều, chẳng hạn như thêm nhiều lớp hoặc đơn vị, và sự huấn luyện trong một thời gian dài hơn.

<h2 Data-Related Challenges

Chất lượng dữ liệu và lượng lớn hiệu quả mô hình tác động không đủ hay nhiễu có thể dẫn đến kết quả và mô hình không ổn định.

Chiến lược để vượt qua các vấn đề liên quan đến dữ liệu bao gồm tăng cường dữ liệu, làm sạch và thu thập nhiều bộ dữ liệu khác nhau.

Chọn sự kiến trúc sai lầm

Chọn một mạng thần kinh không phù hợp có thể cản trở việc học và giảm hiệu quả. Kiến trúc nên tương đương với các đặc điểm kiểu vấn đề và dữ liệu.

Thí nghiệm với những kiến trúc khác nhau, chẳng hạn như mạng lưới thần kinh kết nối cho dữ liệu ảnh hoặc mạng thần kinh lặp đi lặp lại để tìm dữ liệu liên tục, có thể cải thiện kết quả.