前言

我們都知道算法工程師的工作重點(diǎn)就是模型訓(xùn)練，很多人每天的工作就是做特征、調(diào)參數(shù)然后訓(xùn)練模型。所以對(duì)于算法工程師而言，最經(jīng)常遇到的問題就是模型翻車了，好容易訓(xùn)練出來(lái)的模型結(jié)果效果還很差。很多剛?cè)腴T的小白遇上這種情況都會(huì)一籌莫展，不知道究竟是哪里出了問題。

所以今天就和大家簡(jiǎn)單分享一下，我個(gè)人總結(jié)出來(lái)的一點(diǎn)簡(jiǎn)單經(jīng)驗(yàn)，遇到這種情況的時(shí)候，我們應(yīng)該怎么處理。

檢查樣本

整個(gè)模型訓(xùn)練結(jié)果不好的排查過程可以遵守一個(gè)由大到小，由淺入深的順序。也就是說我們先從整體上、宏觀上進(jìn)行排查，再去檢查一些細(xì)節(jié)的內(nèi)容。

很多小白可能會(huì)有點(diǎn)愣頭青，上來(lái)就去檢查特征的細(xì)節(jié)，而忽略了整體的檢查。導(dǎo)致后來(lái)花費(fèi)了很多時(shí)間，才發(fā)現(xiàn)原來(lái)是樣本的比例不對(duì)或者是樣本的數(shù)量不對(duì)這種很容易發(fā)現(xiàn)的問題。不僅會(huì)浪費(fèi)時(shí)間，而且給老板以及其他人的觀感不好。

所以我們先從整體入手，先檢查一下正負(fù)樣本的比例，檢查一下訓(xùn)練樣本的數(shù)量。和往常的實(shí)驗(yàn)相比有沒有什么變化，這種檢查往往比較簡(jiǎn)單，可能幾分鐘就能有一個(gè)結(jié)果。如果發(fā)現(xiàn)了問題最好，沒發(fā)現(xiàn)問題也不虧，至少也算是排除了一部分原因。

檢查完了樣本的比例以及數(shù)量之后，我們接下來(lái)可以檢查一下特征的分布，看看是不是新做的特征有一些問題。這里面可能出現(xiàn)的問題就很多了，比如如果大部分特征是空的，那有兩種情況。一種是做特征的代碼有問題，可能藏著bug。還有一種是這個(gè)特征本身就很稀疏，只有少部分樣本才有值。根據(jù)我的經(jīng)驗(yàn)，如果特征過于稀疏，其實(shí)效果也是很差的，甚至可能會(huì)起反效果，加了還不如不加。

另外一種可能出現(xiàn)的問題就是特征的值域分布很不均勻，比如80%的特征小于10，剩下的20%最多可以到100w。這樣分布極度不平衡的特征也會(huì)拉垮模型的效果，比較好的方式對(duì)它進(jìn)行分段，做成分桶特征。一般情況下特征的問題很容易通過查看分布的方法調(diào)查出來(lái)。

查看訓(xùn)練曲線

很多新手評(píng)判模型的標(biāo)準(zhǔn)就是最后的一個(gè)結(jié)果，比如AUC或者是準(zhǔn)確率，而忽略了模型在整個(gè)訓(xùn)練過程當(dāng)中的變化。這其實(shí)也不是一個(gè)很好的習(xí)慣，會(huì)丟失很多信息，也會(huì)忽略很多情況。

比較推薦的就是要習(xí)慣使用tensorboard來(lái)查看模型訓(xùn)練的過程，tensorboard基本上現(xiàn)在主流的深度學(xué)習(xí)框架都有。通過它我們可以看到一些關(guān)鍵指標(biāo)在訓(xùn)練過程當(dāng)中的變化，它最主要的功能就是幫助我們發(fā)現(xiàn)過擬合或者是欠擬合的情況。

我們經(jīng)常遇到的一種情況就是在原本的特征集當(dāng)中，模型沒有任何問題，但是我們一旦加入了一些新的特征之后，效果就開始拉垮。我們查看日志發(fā)現(xiàn)模型訓(xùn)練結(jié)束之前的這一段時(shí)間里AUC或者是其他指標(biāo)還是在上漲的，就誤以為沒有問題。其實(shí)很有可能模型在中途陷入過過擬合當(dāng)中，只是由于訓(xùn)練時(shí)間比較長(zhǎng)，所以被忽視了。

很多人經(jīng)常吃這個(gè)虧，尤其是新手。浪費(fèi)了很多時(shí)間沒有發(fā)現(xiàn)問題，其實(shí)打開tensorboard一看就知道，模型中途過擬合或者是欠擬合了，那么我們針對(duì)性地就可以采取一些措施進(jìn)行補(bǔ)救。

參數(shù)檢查

除了上面兩者之外，還有一個(gè)排查的點(diǎn)就是參數(shù)。

這里的參數(shù)并不只局限于模型的訓(xùn)練參數(shù)，比如學(xué)習(xí)率、迭代次數(shù)、batch_size等等。也包含一些模型本身的參數(shù)，像是embedding初始化的方差，embedding的size等等。

舉個(gè)簡(jiǎn)單的例子，很多人實(shí)現(xiàn)的embedding的初始化用的是默認(rèn)初始化，默認(rèn)的方式方差是1。這個(gè)方差對(duì)于很多場(chǎng)景來(lái)說其實(shí)是有些偏大了，尤其是一些深度比較大的神經(jīng)網(wǎng)絡(luò)，很容易出現(xiàn)梯度爆炸，很多時(shí)候我們把它調(diào)到0.001之后，效果往往都會(huì)有所提升。

雖然說模型的結(jié)構(gòu)才是主體，參數(shù)只是輔助的，但這并不表示參數(shù)不會(huì)影響模型的效果。相反，有的時(shí)候影響還不小，我們不能忽視。當(dāng)然要做到這一點(diǎn)，我們不僅需要知道每一個(gè)參數(shù)對(duì)應(yīng)的意義，也需要了解模型的結(jié)構(gòu)，以及模型運(yùn)行的原理，這樣才能對(duì)參數(shù)起到的效果和意義有所推測(cè)。不然的話，只是生搬硬套顯然也是不行的。

場(chǎng)景思考

上面提到的三點(diǎn)都還算是比較明顯的，接下來(lái)和大家聊聊一點(diǎn)隱藏得比較深的，這也是最考驗(yàn)一個(gè)算法工程師功底的。

很多時(shí)候在某一個(gè)場(chǎng)景上效果很好的模型，換了一個(gè)場(chǎng)景效果就不好了，或者是一些很管用的特征突然就不管用了。這也許并不是因?yàn)橛须[藏的bug，可能只是單純地模型水土不服，對(duì)于當(dāng)前的場(chǎng)景不太適合。

拿推薦場(chǎng)景舉個(gè)例子，比如在首頁(yè)的推薦當(dāng)中，由于我們沒有任何額外輸入的信息，只能根據(jù)用戶歷史的行為偏好來(lái)進(jìn)行推薦。這個(gè)時(shí)候我們就會(huì)額外地關(guān)注用戶歷史行為和當(dāng)前商品的信息的交叉和重疊的部分，著重把這些信息做成特征。但如果同樣的特征遷移到商品詳情頁(yè)下方的猜你喜歡當(dāng)中去，可能就不是非常合適。

原因也很簡(jiǎn)單，詳情頁(yè)下方的猜你喜歡召回的商品基本上都是同一類別甚至是同款商品，這就意味著這些商品本身的信息當(dāng)中有大部分都是一樣或者是高度相似的。既然這些信息是高度相似的，模型很難從這些差異化很小的特征當(dāng)中學(xué)到關(guān)鍵信息，那么自然也就很難獲得同樣的效果。這并非是特征或者是模型出了什么問題，可能就是單純地場(chǎng)景不合適。

對(duì)于場(chǎng)景與特征以及模型之間的理解和思考才是最考驗(yàn)一個(gè)算法工程師能力和經(jīng)驗(yàn)的部分，新人的注意力往往關(guān)注不到這個(gè)方面，更多地還是局限在特征和模型本身。有的時(shí)候，我們的思維不能順著一條線毫無(wú)阻礙地往下走，也需要經(jīng)常停下來(lái)反思一下，我這么思考有沒有忽略什么問題。

總結(jié)

以上是生活随笔為你收集整理的作为一个算法攻城狮，你训练的算法翻车了该怎么办？的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。