Q01：过拟合问题？
解决方案：
1，数据增强；增加数据集；
在输入层加入噪声：数据集增强。
在隐藏层加入噪声：Dropout。
在输出层加入噪声：标签平滑。
4，添加残差块；
5，提前终止；
6，随机池化等
Q02：梯度消失和梯度爆炸
解决方案：
1，由于梯度消失或者梯度爆炸都是一堆数值的累乘，如果是一堆大于1的数一起累乘，容易发生梯度爆炸；
如果是一堆小于1的数一起累乘，容易发生梯度消失，所以，一般把训练数据送入模型之前都会做归一化处理；
2，梯度裁剪：梯度裁剪是一种简单有效的方法，通过设置一个阈值，当梯度的范数超过该阈值时，将其裁剪到该阈值范围内，从而防止梯度爆炸
3，换模型，比如RNN模型容易发生梯度爆炸或者梯度消失，LSTM和GRU模型虽然不能完全解决梯度消失问题，但是在一定程度上可以缓解梯度消失
Q03：模型漂移和模型退化的问题？
解决方案：
1，更换模型；
2，使用付费模型
Q04：LangChain问题：1，版本不稳定，升级到0.2以后，0.1版本不可用；2，LangChain更新迭代太慢，很多功能都没有，需要程序员重新开发
解决方案：弃用LangChain，根据需求重新开发一版
Q05：泛化能力不足的问题？
解决方案：
◼ 正则化
◼ 增加神经网络层数
◼ 使用正确的代价函数
◼ 使用好的权重初始化技术
◼ 人为拓展训练集
◼ 弃权技术
增加模型复杂度：
增加测试数据相似度较高的数据集：
Q06：多分类问题：
1，如果是两层循环：准确率高达98%-99%
2，如果是三层循环：准确率95%-96%
3，如果是四层五层循环：准确率不但会大大降低，还有可能分错
调优技巧：
1，超参数调节：网格搜索、随机搜索
2，激活函数的选择：
3，损失函数的选择：