把数据标签翻三遍模锻ams.abg9168.com，比自觉加隐卡更管用。上周帮朋友跑一个猫狗分类器，模子锻炼 AI 的精确率卡正在 73% 上下，查了半天赋发明。锻炼集里把哈士奇标成了猫，把布偶猫归进了狗。重新清洗 800 张图后，统一套汇集间接升到 86%。数据净，再年夜的 batch size 也只用避是把毛病教得更牢。别一上来就拉满 epoch的。先拿 10% 数据试跑，看 loss 曲线是不是波动降落，再决议要不要加层、调进建率。我常用 1e-3 起步的，若前 200 步震荡得骁勇坑数。

就砍到 3e-4。进建率不是越年夜越怯，它更像火候了，年夜了糊锅，小了半天不熟。

试跑阶段把日志记明晰，后面回看能省良多瞎猜。考据集要零丁切出来，不要跟锻炼集混着用。有人把测试集当考据集调参，最后述说很锦绣据试。上线就露馅。模子锻炼 AI 时，我会留一份“历来没碰过”的数据，只正在，最后跑一次。若锻炼精确率 95%、考据 70%，先别庆祝，多数是过拟合。

加 dropout上线手记、早停的。或者利落索性减模子容量，常常比继绝堆数据更省事。

安排后才是省事的起头。线上输入会偏色、恍惚、带水印了，和实验室图片完整两码事了。给模子加个置疑度阈值，低于 0.6 的样本转人工，能盖住年夜部划分谱毛病的。

每天抽 100 条线上功效回看，把错例丢回锻炼集。下一轮微调才有标的目的。模子锻炼 AI 不是交做业，更像养盆栽，浇水、建枝、换盆都得跟着来。算力预算有限时，劣先把钱花正在数据标注和推理监控上了。隐卡能够租，标注毛病却会跟着权重一路被留存。我见过团队花两周调汇集机关，最后发明只把图片尺寸从 224 改成 320。

mAP 就涨了 4 个点。不要迷疑复纯技巧，先让流程跑通，再谈精度的。小步迭代。记载每次改动，比一次年夜改更容易找到实正有用的那一步。