盯着屏幕上那个永不停止的训练进度条，你是不是已经怀疑人生了？明明照着教程敲的代码，结果训练了一下午，loss值纹丝不动。后台经常收到这样的留言："我按着网上那个机器学习实例做的，但就是跑不出效果，是不是哪里漏了？"别急着砸键盘，先听我把最常见的三个坑说清楚。

先别急着调参，这些常见坑我替你踩了

　　很多新手一上来就调学习率、改层数，其实数据预处理才是第一道鬼门关。你那个机器学习实例里，原始数据有没有做归一化？类别特征是不是直接丢进模型了？这些细节没搞好，后面再怎么折腾都是白搭。举个例子：一个朋友用房价预测的经典案例，数据里房屋面积从几十到上千，价格从几万到千万，直接扔进线性回归，梯度会像坐过山车一样来回震荡，永远收敛不了。你需要的不是改模型结构，而是先把数据缩放到[0,1]或标准正态分布。

　　第二个坑：验证集和测试集混用。有的人为了看效果频繁用测试集调参，结果模型在验证集上表现完美，一上线就崩。记住，测试集只能碰一次，调参靠验证集，别走捷径。另外，这个机器学习实例里如果数据量很少，试试简单的线性模型，别一上来就上神经网络，过度拟合会让你怀疑人生。模型过拟合的表现就是训练误差低、验证误差高，这时候加正则化、减少层数或者用早停法都能救你。

训练时间太长？先检查这三处

　　训练时间失控是压垮耐心的最后一根稻草。你预期的两小时训练变成了二十小时，这时候别傻等。先看batch size设置是否合理：太小梯度更新频繁但震荡大，太大内存容易爆。通常32或64起步，然后观察GPU利用率。如果利用率不到80%，说明你模型太小或者数据加载太慢，试试用数据预读取、增加num_workers。第二个常见原因是学习率默认值不对：0.01对于大多数任务偏大，换成0.001或者用学习率衰减策略。有的朋友可能遇到过训练到一半loss突然变NaN，那是梯度爆炸，加个梯度裁剪就能解决。

　　如果以上都排查了还是慢，看看是不是用了不必要的复杂网络。你那个机器学习实例如果只是分类10个类别，别用ResNet152，一个两层卷积加全连接可能就够。记住，第一次跑通比追求精度重要得多。跑通之后再去慢慢调，效率翻倍。总之，数据预处理别偷懒，验证集测试集分开，训练参数合理设，这三个步骤走完，绝大多数实例应该能出结果。

　　参数调完就去泡杯茶，别一直盯着屏幕。剩下的交给显卡和耐心。