江寒在這個F網絡中，實現了一種新的訓練策略，也就是迷你批次訓練法。
簡單地說，就是每次在18萬個訓練數據中，隨機抽取若干條數據，組成一個小包，作為訓練的樣本。
然后，若干個小包組成一個完整的批次，訓練若干個批次后，訓練過程就宣告結束。
顯而易見，相較于一次訓練全部數據，這樣做既節省了資源，又能提高訓練速度。
這里涉及到3個超參數：每個小包的數據條數n，每批次包含的小包數量m，以及訓練的總批次s。
神經網絡里，每個神經元的偏置和權重，都是在訓練中獲得的，稱作參數。
而學習速率、隱藏層神經元的數量，隱藏層的層數，權重初始化方案的選擇、激活函數的選擇、損失函數的選擇……
這些都是超參數，必須在神經網絡訓練之前指定。
但由于缺乏理論指導，沒有人知道這些超參數，到底如何選取才是最合理的。
所以在實踐中，往往先根據經驗，暫時預設一個差不多的，然后在訓練的過程中，根據反饋結果，慢慢進行調整。
打造神經網絡的過程中，最困難的就是超參數的選擇，這往往意味著巨大的工作量。
每次調整超參數，都要重新訓練一次神經網絡，才能知道這次調整是否成功。
更麻煩的是，超參數之間并不是相互獨立的，經常會調整了某一個，就會影響到另一個。
極端情況下，就會像多米諾骨牌一樣，一個影響一個，最后導致全盤重來。
在原來的世界，機器學習算法工程師們經常為此撓破了頭皮。
所以他們又自嘲或者被戲稱為“調參狗”……
這個問題的解決，往往取決于網絡設計者的經驗。
一名合格的調參狗……咳，算法工程師，往往能憑經驗和直覺，大體確定超參數的取值范圍，然后根據實際情況逐步優化，直到取得近似最優解。
江寒當然算不上經驗豐富，但前世玩神經網絡的時候，也接觸過不少討論超參數選擇的文章。
以權重初始化舉例，就有不少可行的方案：初始化為0值、隨機初始化、Xavier初始化、HE方法等。
其中，Xavier初始化又包含許多種做法。
比如將權重w的隨機初始化區間，設為正負sqrt（6/（n0+n1））之間。
其中，n0是上一層神經元的個數，n1是本層神經元的個數。
這是一個經驗公式，很多時候都很好用，江寒還記得這個公式。
其他超參數的選擇，激活函數的選擇、損失函數的選擇……也有諸多可用的方法、方案。
除了一些前世接觸過的方法，江寒自己也有過許多奇思妙想，琢磨出來不少亂七八糟的超參數選擇方案。
這次做F模板，索性將它們全都編寫成函數，塞到了模板代碼中，用以備選。
除此之外，還要解決過擬合問題。
過擬合是機器學習的一道難關，一旦發生這種現象，就會導致訓練好的模型，在訓練集上表現優秀，而在陌生數據集上表現欠佳。
這是無論如何都要避免的。
要想避免過擬合，通常的做法有：擴大學習規模、降低網絡規模、對權重參數規范化，以及非常激進的Dropout方法等。
擴大學習規模，就是盡可能收集更多數據，進行訓練。
Kaggle的這場比賽中，官方提供了足足20萬條訓練數據，這意味著不怎么需要在這方面下功夫了。
如果提供的訓練數據較少，那么往往就需要人為擴展訓練數據。
比如：將圖像略微旋轉、平移、翻轉、縮放、加入噪點像素……
降低網絡規模，的確可以減輕過擬合，但同時也削弱了學習能力，所以一般不作為優先選項。
權重正規化也叫正則化（regurization），就是在未規范化的代價函數上，附加一個權重絕對值的和，使得網絡傾向于學習少量的、重要度較高的權重。
這一辦法，江寒在這個模板中，也作為備選項加以實現了。
至于Dropout方法，做法是按照給定的概率P，隨機刪除全連接網絡中部分隱藏神經元，以達到簡化網絡，降低過擬合的效果。
雖然挺簡單，但江寒并不準備現在就用出來。
這至少也價值一篇三區以上的論文，用在這種小比賽中，未免有些浪費。
江寒將自己知道的、能想到的方法、方案，全都羅列出來，編制成函數，放進了模板代碼中。
然后將代碼復制了130份，稍作修改，讓它們分別使用不同的超參數設定策略。
這樣，就出爐了130種候選的訓練方案。
江寒將這些方案連同訓練數據包，一起上傳到了自己放在車庫中的服務器和五臺工作站中，然后指揮它們開足馬力，同步進行訓練。
如果光靠筆記本電腦，這130份代碼一個一個訓練過去，怕不得兩、三個月之后，才能輪一遍？
現在就簡單了，大約明天晚上，這130多份方案，就能得到初步的訓練結果。
到時候根據反饋，從中選擇一個表現最好的，全力訓練就可以了。