1. data set如果是通过matlab生成的，导入前是否用permute命令进行了维度转换，因为Python数据读入时维度会逆转。
  2. 数据是否进行了Normalization。
  3. 根据数据的特点，是否选错了激活函数，如果输入的数据有正有负，那么肯定不能使用Relu激活函数，至少要使用leak Relu。当然，更好的选择是tanh。
  4. 建立好模型之后，首先要检查能否在小的dataset上overfitting。
  5. 根据网络的任务选择对应的激活函数（activation）和损失函数(loss):
    > 二分类问题：sigmoid+cross_entropy
    > 多分类问题：softmax+cross_entropy
    > 回归问题：激活函数可以考虑数据normalization之后使用tanh，loss可以用均方误差MSE或者余弦距离

损伤识别中的单损伤定性是多分类问题，而定量则是回归问题。

  1. 不同的任务需要不同的loss，需要及时follow最新的paper。
  2. 注意split ratio，如果数据集不够大，那么training:validation至少应该在3:2左右。
  3. 如果要用实验的数据来validate模拟数据train出的网络，那么要保证模拟的参数尽可能和实验一致，例如：
    1. 模态信息尽可能一致。
    2. 如果不能保证所有模态信息一样，那么优先保证低阶模态一致，可以降采样或者滤波来去掉高频信息。
    3. 荷载形式尽可能一致。
    4. 阻尼参数尽可能一致。
  4. 对于不复杂的任务，如果过拟合，除了提高ratio外，还应该降低网络的复杂程度，把超参数的数量降下来。 10 如果碰到training acc稳定提升然而val_acc反复横跳中越来越高，可以加大batch size或者删除batch normalization，BN的存在使得每一层强制归位，特征不稳定。