http://blog.csdn.net/u011239443/article/details/78132697

2.1 进行误差分析

标注错误：

2.2 清楚标注错误的数据

纠正错误 dev / test 数据集的方法：

2.3 快速搭建你的第一个系统，并进行迭代

尽快的搭建你的第一个系统。

2.4 在不同的划分上进行训练并测试

对于不同来源的数据，最佳方案可能并不是将其混合。如，我们最终需要预测的数据来自于app，那么 dev / test 数据集应该也要来自于 app。option 2 会是更好的选择：

2.5 不匹配数据划分的偏差和方差

对于三个不同的问题（不匹配数据或者说数据不是相同分布，偏差和方差），我们有不同的策略。为了判断是那种问题，我将 train 和 dev 的合并称为 training-dev，根据人类误差和不同数据集下的误差来判断是什么问题：

总结来说：

2.6 定位数据不匹配

image.png

如：

2.7 迁移学习

总结：

2.8 多任务学习

当label向量中的某项y不存在，则不计算该项的交叉熵损失。

多任务学习的适用情况：

左边的是迁移学习的数据情况，右边的多任务学习的。

2.9 什么是端到端的深度学习

例如：

2.10 是否要使用端到端的深度学习

端到端的深度学习的优缺点：

使用端到端的深度学习需要注意的地方：