最近，李飞飞老师得意门生Andrej Karpathy大神在推特上连发几条twitter，细数了六种神经网络研究中的常见错误。

下面我总结一下我学习过程中遇到下面6条中的4条。

1you didn't try to overfit a single batch first

正确解释@张楠 这句话是说在用大数据集训练之前先用小数据集试一下，排除一些明显的错误。

之前的我误解的解释如下：

没有先试过所有训练数据作为一个大batch训练，我们都知道，在训练神经网络的过程中，对于数据会有三个方法处理，一个是min-batch，一个是SGD，一个是Andrej Karpathy提到的所有数据作为一个batch。虽然将所有训练数据作为一个大batch训练能够保证梯度是往正确的方向移动，但是我们绝大部分都是min-batch，然后调节其中的batch-size这个超参数，我个人也没有尝试过将所有训练数据作为一个大batch训练，之后可以试试。（这里额外说一句，batch-size是很重要的超参数，需要仔细调节）

2train(),eval()模式混用

you forgot to toggle train/eval mode for the net

忘了为网络切换训练/评估模式

这个理由主要是针对model 在训练时和评价时不同的 Batch Normalization 和 Dropout 方法模式。

3忘掉设置.zero_grad()

you forgot to .zero_grad()(in pytorch) before .backward()

忘了在.backward()之前.zero_grad()（在pytorch中）

这个错误我真正碰到过,忘记了写.zero_grad()各种nan，导致结果非常差，最后找了一天才找到。大家可以在实在找不到原因的是，打印梯度出来看看，是不是有某些层参数为0，几乎没有学习，有些为nan了，去逐步找原因。

4误传参数

you passed softmaxed ouputs to a loss that expects raw logits
将softmaxed输出传递给损失函数，本来期望是logits值，而不是过了softmax之后的值。

大白话讲就是给函数传进去的参数错啦！！我们在编写代码的时候很容易犯这种错误，因为最后run起来的时候，它不报错啊，哥，不报错，只是结果很差，这很难受啊，我们很难发现错误，第一感觉，我去，idea不work，所以大家效果不好的时候，不要放弃啊，仔细看看有没有常见的bug！！

5BatchNorm的坑

使用BatchNorm时，您没有对线性/ 二维卷积层使用bias = False，或者反过来忘记将其包含在输出层中。 这个倒不会让你失败，但它们是虚假的参数

答案来自@陈明jian

 如果卷积层后面跟着BatchNormalization的话，卷积层就不需要偏置参数b，只需要w参数。

6误用view操作

以为view()和permute()是一样的事情（不正确地使用view）

答案来自@深度学习修汽车

 举例说明：比如要将一个(2, 12)的tensor改为(4, 2, 3)的tensor。这样就不能直接用view而需要多次用permute()来交换axis(转置2D的matrix)来达到目的。

tc.manual_seed(1)
x = tc.randn(2, 12)

print(x)
y = x.permute(1, 0)

print(y)
z = y.view(4, 3, 2)

print(z)
a = z.permute(0, 2, 1)

print(a)

大家可以在留言区踊跃讨论自己在深度学习中遇到的坑，讨论成长最快。

PS：不开赞赏，希望大家看后随手点赞、点广告，支持我们，谢谢大家。