1.增加数据集的数量
由于深度神经网络需要喂入大量的数据才能提高他的性能（特点），有时候简单的增加容量可以提高准确
（吴恩达大佬视频内介绍深度学习崛起制作的图）
2.提高数据的差异性，随机性，即增加数据的特征不要选取过于接近的样本
3.对数据进行预处理
归一化，标准化…
4.调整batch_size大小
Batch_Size 太小，算法在 相当多的epoch内不收敛。
随着 Batch_Size 增大，处理相同数据量的速度越快。
随着 Batch_Size 增大，达到相同精度所需要的 epoch 数量越来越多。
由于上述两种因素的矛盾， Batch_Size 增大到某个时候，达到时间上的最优。
由于最终收敛精度会陷入不同的局部极值，因此 Batch_Size 增大到某些时候，达到最终收敛精度上的最优。
原文链接：https://blog.csdn.net/qq_41853758/article/details/81436731
5.打乱测试集的顺序即使用 shuffle=True
6.调整超参（学习率或者epochs次数）
7.使用L2正则化
L2约束通常对稀疏的有尖峰的权重向量施加大的惩罚，而偏好于均匀的参数。这样的效果是鼓励神经单元利用上层的所有输入，而不是部分输入。所以L2正则项加入之后，权重的绝对值大小就会整体倾向于减少，尤其不会出现特别大的值（比如噪声），即网络偏向于学习比较小的权重。所以L2正则化在深度学习中还有个名字叫做“权重衰减”（weight decay），也有一种理解这种衰减是对权值的一种惩罚，所以有些书里把L2正则化的这一项叫做惩罚项（penalty）。
原文链接：https://blog.csdn.net/github_34589902/article/details/113884761
8.droput()参数及位置
随机丢弃一定的数据，提高模型的泛化能力
9.参数初始化
例如yolo一般就会引用初始化参数来提高准确率
10.调整网络的结构（层数，大小，函数）
原文地址：http://www.cnblogs.com/ohj666/p/16796753.html
