一，train loss與test loss結果分析
4666
train loss 不斷下降，test loss不斷下降，說明網絡仍在學習;
train loss 不斷下降，test loss趨於不變，說明網絡過擬合;
train loss 趨於不變，test loss不斷下降，說明數據集100%有問題;
train loss 趨於不變，test loss趨於不變，說明學習遇到瓶頸，需要減小學習率或批量數目;
train loss 不斷上升，test loss不斷上升，說明網絡結構設計不當，訓練超參數設置不當，數據集經過清洗等問題。
二，
這個比較長，比較完整 Loss和神經網絡訓練
https://blog.csdn.net/u011534057/article/details/51452564
有1.梯度檢驗2.訓練前檢查，3.訓練中監控4.首層可視化5.模型融合和優化等等等
三，https://www.zhihu.com/question/38937343
四，https://blog.csdn.net/u010911921/article/details/71079367
原文地址：http://blog.csdn.net/u010911921/article/details/71079367
這段在使用caffe的時候遇到了兩個問題都是在訓練的過程中loss基本保持常數值，特此記錄一下。
1.loss等於87.33不變
loss等於87.33這個問題是在對Inception-V3網絡不管是fine-tuning還是train的時候遇到的，無論網絡迭代多少次，網絡的loss一直保持恆定。
查閱相關資料以后發現是由於loss的最大值由FLT_MIN計算得到，FLT_MIN是其對應的自然對數正好是-87.3356，這也就對應上了loss保持87.3356了。
這說明softmax在計算的過程中得到了概率值出現了零，由於softmax是用指數函數計算的，指數函數的值都是大於0的，所以應該是計算過程中出現了float溢出的異常，也就是出現了inf，nan等異常值導致softmax輸出為0.
當softmax之前的feature值過大時，由於softmax先求指數，會超出float的數據范圍，成為inf。inf與其他任何數值的和都是inf，softmax在做除法時任何正常范圍的數值除以inf都會變成0.然后求loss就出現了87.3356的情況。
解決辦法
由於softmax輸入的feature由兩部分計算得到：一部分是輸入數據，另一部分是各層的權值等組成
減小初始化權重，以使得softmax的輸入feature處於一個比較小的范圍
降低學習率，這樣可以減小權重的波動范圍
如果有BN(batch normalization)層，finetune時最好不要凍結BN的參數，否則數據分布不一致時很容易使輸出值變得很大(注意將batch_norm_param中的use_global_stats設置為false )。
觀察數據中是否有異常樣本或異常label導致數據讀取異常
本文遇到的情況采用降低學習率的方法，learning rate設置為0.01或者原來loss的或者。
2.loss保持0.69左右
采用VGG-16在做一個二分類問題,所以計算loss時等價與下面的公式：
當p=0.5時，loss正好為0.693147，也就是訓練過程中，無論如何調節網絡都不收斂。最初的網絡配置文件卷積層的參數如下所示：
從VGG-16訓練好的模型進行fine-tuning也不發生改變，當在網絡中加入初始化參數和decay_mult以后再次訓練網絡開始收斂。
但是具體是什么原因造成的，暫時還沒有找到，難道是初始化參數的問題還是？
參考資料
http://blog.csdn.net/jkfdqjjy/article/details/52268565?locationNum=14
https://groups.google.com/forum/#!topic/caffe-users/KEgrRlwXz9c
https://www.zhihu.com/question/68603783
loss一直不下降的原因有很多，可以從頭到尾濾一遍： 1）數據的輸入是否正常，data和label是否一致。 2）網絡架構的選擇，一般是越深越好，也分數據集。 並且用不用在大數據集上pre-train的參數也很重要的 3）loss 對不對。
具體到語音，很多是把audio轉成頻譜圖送給CNN訓練。
NIPS16 有個soundNet(torch的code)，語音分類的performance很高，我覺得可以用來初始化你的model 參數, 可以參考下。
還有我見的3D-CNN 多用於視頻，做audio 用3D 的工作比較少，倒是見過是用1維卷積做audio的
作者：二九
鏈接：https://www.zhihu.com/question/68603783/answer/265275915
來源：知乎
著作權歸作者所有。商業轉載請聯系作者獲得授權，非商業轉載請注明出處。
---------------------
作者：ShellCollector
來源：CSDN
原文：https://blog.csdn.net/jacke121/article/details/79874555
版權聲明：本文為博主原創文章，轉載請附上博文鏈接！