1. 如果搭网络目标是做预测（或回归），训练时，不仅需要对训练数据归一化，而且要对验证数据进行归一化。在评价预测结果时，应当考虑是否需要进行反归一化。因为有些定量指标只对归一化前的结果work。（犯了个低级错误：a. 训练时，对训练数据进行归一化，而对验证数据未进行归一化；b. 有些指标比如SSIM是计算两个非负图像的结构相似性，如果用于归一化后数据的计算，比如Z-score归一化，由于数据中有负值，计算的SSIM指标就有问题，应当进行反归一化）
2. 训练好的网络，即train loss下降至趋于水平、验证精度升高至趋于水平，这时如果测试时表现不好，可以检查下测试代码是否有错误（debug）。（犯了个低级错误：训练时候没有归一化，测试时候又进行了归一化，导致测试结果一直不好）
3. 训练时，发现loss有下降，但验证精度一直不变，可能是学习率设置过大，导致loss有下降，但精度的评价由于方式不太相同，一直不能找到最优解，可以适当调小学习率。
4. 模型一直train不好的时候，可以回头看看数据，包括训练数据、验证数据和测试数据，再重新审视下网络的目标是什么。具体地，网络的输入数据及其分布、网络的输出数据及其分布，这里的输入数据和输出数据是指样本里的，这时需要再结合网络，看看网络能够输出什么数据以及它能够输出的数据的特点。
比如：
我想用网络做一个复杂的拟合，样本就是成对的(x,y)，其中x和y都是向量；损失函数设置成MSE。为了让向量x和y中的每一个特征都同等重要，对它们做一个z-score归一化再输入网络中，这时数据分布就变成均值为0、方差为1的情况；那如果我在网络的最后一层用上sigmoid激活函数，那明显这个model就不可能train好（这个问题卡了我两天，虽然把model简化到一个很简的形式，因为参数少了，model泛化能力强了，loss曲线能看了，貌似train好了，但一用发现拟合的有问题，在一些低值区域直接拉成直线，类似下面绿色线这样，橙色的是目标曲线），因为sigmoid函数的输出一定在0到1之间，而将目标y归一化后它的值存在负值。
