盯着训练loss曲线那条上下跳动的线，你是不是也攥紧了拳头？在深度学习领域折腾了三天，loss就是不往下降，一眨眼又反弹上去。后台经常收到这样的留言：“参数调了一百遍，准确率还不如随机猜。”别急，砸电脑之前先查这三处，九成问题能当场解决。

先别急着加层数，这几个常见坑我替你踩了

　　有的朋友可能遇到过：模型结构搭得挺豪华，一跑就显存溢出；或者明明训练集loss降到底，验证集却一路狂飙。这些不是玄学，是实打实的配置疏忽。第一坑：数据没归一化。像素值还留在0-255，梯度一更新就炸。你用标准化把每张图拉成均值为0、方差为1的分布，loss马上软下来。第二坑：学习率设太大。一上去步走太猛，loss直接nan。试试学习率预热，前几个epoch从小步慢慢走大。第三坑：batch size和显存不匹配。显存爆了系统会自动缩小batch，但你不知道，最后收敛的模型和预期完全两码事。跑之前先算一下显存占用公式：参数张量大小乘以batch size再加激活缓存，留出20%余量。

　　记住：先查数据，再查学习率，最后查batch。这三步走完，八成训练都能跑通。

调参总不收敛？动手揪出这匹黑马

　　最难缠的是：loss在中后期震荡不止，像喝了假酒的舞者。排除过拟合，检查正则化强度——L2系数太大，模型学不动；太小，又欠揍。还有一个大招：梯度裁剪。把梯度模长限制在1.0以内，爆炸瞬间就被按住。有朋友反馈：“裁剪后loss曲线从神经刀变成了老实人。”还有一招看初始化。Xavier或He初始化别乱用——激活函数是ReLU选He，是tanh选Xavier，选错第一轮就梯度消失。这些办法挨个试，哪个对症自己心里就有数。

　　另外提一句：别在训练中期频繁调参。改一个参数得重新迭代50轮才能看出效果，一小时内改三次等于白干。参数调整建议去官网扒说明书，那玩意儿最准。

　　最后，一个问题排查时间超过两小时还搞不定，建议直接换预训练模型微调。深度学习领域从来不是硬刚的战场，偷懒才是真效率。问题解决了就去泡杯茶，别在这耗着。