1. 定义问题
确定是分类问题还是回归问题，还是无监督问题。
2. 探索和清洗数据
探索和进一步清洗数据集一直都是深度学习中最重要的一步。
3. 选择模型并探索模型结果
探索模型的结果，通常是需要对模型在验证集上的性能进行进一步的分析，这是如何进一步提升模型性能很重要的步骤。将模型在训练集和验证集都进行结果的验证和可视化，可直观的分析出模型是否存在较大偏差以及结果的正确性。
4. 监控训练和验证误差
首先很多情况下，我们忽略代码的规范性和算法撰写正确性验证，这点上容易产生致命的影响。
在训练和验证都存在问题时，首先请确认自己的代码是否正确。其次，根据训练和验证误差进一步追踪模型的拟合状态。若训练数据集很小，此时监控误差则显得格外重要。确定了模型的拟合状态对进一步调整学习率的策略的选择或者其他有效超参数的选择则会更得心应手。
模型提升策略
1. 数据角度
数据增强。 扩充数据集。
2. 模型角度
提高模型复杂度，更改模型结构。