接下来是建模的相关策略

建模单调乏味，是因为我们通常把建模过程视为完成任务：

• 构建
• 微调
• 评估
• 重复

看起来似乎只有有限的建模顺序，特别是在你经验有限且不习惯使用低层代码的情况下。其实建模艺术中也有很多乐趣和学问。下面是一些可行建议：

• 预训练。如果有无人监管或无人评分的数据(在训练集合中提供的但是没被测试集合使用过的数据)，就可以通过模型运行数据来做预训练。同理，也可以利用Keras的预训练和预构建模型。这些方法都没什么难度，而且能够很大程度减轻工作量。
• 非线性拓扑结构。这是种神经网络并不是连续性的;相反，每一层可以有多个分支，且在后续阶段分支之间也能够续连。利用Keras的API函数式就能很容易做到。例如，图像数据可以分割成两个不同过滤器大小的卷积层。它们在不同的尺度上学习表征，而后再联合起来。
• 古怪、疯狂的科学方案。DeepInsight模型就是很好的例子。这一方法在Mechanisms of Action竞赛中非常受欢迎，它使用了t-SNE(一种降低视觉维度的方式)将表格数据转换为图像，然后使用卷积神经网络加以训练。

最后，还有些方法值得一试：将集合中的预测结果创造性地结合在一起;除ReLU以外的激活函数(比如，Leaky ReLU，Swish);对非树形模型的‘boosting’(将对一个模型的预测输入到另一个模型中用以学习错误)等等。

每个人都能建模，不会写TensorFlow的源代码也能开发出复杂且成功的模型，开发模型只需要拥有创造力和实现想法的意愿。

（编辑：阜新站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!