Việc huấn luyện mạng lưới thần kinh hình thành (CNNN) có thể là một thách thức vì có nhiều cạm bẫy thông thường.

Quá phù hợp

Quá phù hợp xảy ra khi một CNN học được dữ liệu đào tạo quá tốt, bao gồm nhiễu và hơn nữa, dẫn đến sự tổng quát kém tới dữ liệu mới. Điều này thường dẫn đến độ chính xác đào tạo cao nhưng có giá trị thấp.

Để đạt được mục tiêu phù hợp, các kỹ thuật như tăng dữ liệu, bỏ học và dừng lại sớm thường được sử dụng.

Hợp

Điều này sẽ xảy ra khi mô hình quá đơn giản hoặc không được đào tạo đủ lâu để ghi lại các mẫu ẩn trong dữ liệu. Kết quả là không hiệu quả trong cả đào tạo lẫn thiết lập cấu hình hợp lệ.

Sự phức tạp của mô hình, sự đào tạo cho các giai đoạn hơn, hay chỉnh sửa siêu chuẩn có thể giúp giảm thiểu sự đa dạng dữ liệu.

Học hỏi nhanh chóng

Một tỷ lệ học tập quá cao có thể làm cho mô hình phân chia, trong khi tốc độ quá thấp có thể giảm đào tạo hoặc làm cho nó bị mắc kẹt.

Sử dụng thời gian biểu học tập hoặc những người thích ứng tối ưu như Adam có thể giúp duy trì một tỷ lệ học tối ưu trong suốt quá trình đào tạo, cải thiện khả năng hội tụ và hiệu quả mô hình.

Không đủ dữ liệu hoặc lớp cân bằng

Dữ liệu hạn chế có thể cản trở khả năng học các tính năng tổng quát của CNN. lớp học cân bằng có thể thiên vị mô hình đối với các lớp học đa số, giảm sự chính xác về lớp thiểu số.

Giải pháp bao gồm thu thập thêm dữ liệu, áp dụng dữ liệu tăng cường, và sử dụng các kỹ thuật như cân nặng giai cấp hoặc quá trình xếp hạng để cân bằng lớp học.