盯着训练日志上那条死活不下降的loss曲线，你是不是也感觉血压在往上窜？特征学习这件事，卡住的时候真能让人抓狂。模型不收敛、效果忽好忽坏、训练时间越来越长……这些问题的根源，往往不在网络结构上，而在特征学习的第一步——数据本身。

　　停下来。先别急着改参数。

先别急着调模型，这几个环节我替你排查了

　　很多人在做特征学习时，一发现模型效果不好就立刻去调整网络结构或者优化算法，却忽略了最基础的数据质量和特征分布问题，结果来回折腾几天依然原地踏步。这是典型的无效努力。第一个要查的是数据里有没有空值或异常值——有的朋友可能遇到过这种情况：特征里混了几个极端值，模型直接学偏了。第二个看特征分布是否严重不均，比如某个特征的方差比其他特征大几个数量级，模型会下意识地把注意力全放在那个特征上，其他特征白学了。第三个检查特征之间是否存在多重共线性，特征冗余导致模型变慢还容易过拟合，你辛苦训练半天，结果模型只在训练集上自嗨。这三个环节每个都可能让特征学习翻车，排查顺序别搞反，先数据后特征再结构，能省下大把调试时间。

　　先查数据。再调模型。顺序别乱。

特征学习效果差？从数据源头找答案

　　当模型不收敛时该怎么处理？很多人第一反应是加正则或者换激活函数，但更大概率是输入数据没洗干净。比如文本特征里夹杂了乱码，图像特征里混了损坏的图片，这些脏数据会让特征学习直接跑偏。另一个常见问题是高维数据下特征如何筛选——维度一高，计算量暴涨，模型还容易学到噪声。你可以先用可视化工具把特征分布画出来，一眼就能看出哪些特征是“废的”：方差接近零的、与目标变量完全无关的、或者彼此高度相关的。把这些冗余特征去掉，模型收敛速度能快一倍以上。特征学习不是堆维度，而是淘金——留下有用的，扔掉没用的。有的朋友可能觉得特征越多信息越全，实际上特征冗余导致模型变慢的同时还会降低泛化能力，得不偿失。做减法往往比做加法更考验功力。

　　问题排查完了就去跑一跑实验，别在这耗着。