继Ian Goodfellow的推特小课堂之后，特斯拉的人工智能研究负责人、李飞飞斯坦福高徒Andrej Karpathy也在twitter上分享了他对神经网络的一些研究技巧。
昨晚，他连发几条twitter，细数了六种神经网络研究中的常见错误。引发了一波研究者们对于自己入过坑的吐槽。
来看一下Ian Goodfellow让你当心的这六个坑吧：
最常见的神经网络错误：
没有先试过所有数据一批处理
忘了为网络切换训练/评估模式
忘了在.backward()之前.zero_grad()（在pytorch中）
将softmaxed输出传递给预期原始logits的损失
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
以为view()和permute()是一样的事情（不正确地使用view）
之后，在评论区，也有读者针对“对数据初始化”展开了讨论。
对此，Ian也进一步详细解释：
是的，有几次我重新打开数据，得到的损失值却一致，而且如果这样做会产生一个漂亮的损失曲线，这表明对数据初始化并不是明智的做法。我有时喜欢调整最后一层偏差，使之接近基础分布。
我喜欢先从最简单的开始，例如，先对所有未处理的数据进行训练，看看基本输出分布的表现如何，然后逐增加输入和扩大网络，确保每次都比以前的表现更好。
