1.模型选择：从任务类型（回归任务、分类任务、场景任务）出发选择最合适的模型

2.模型训练与关键参数调优

  模型训练：基于高层API训练模型 使用PaddleX训练模型

超参优化：1.参数从具体训练数据中得到，是模型的一部分 2.超参数是模型外部的配置变量

超参数分类：网络结构（神经元） 优化参数（优化器、衰减策略）正则化系数

手动调整超参数的四大方法：使用提前停止来确定训练的迭代次数；让学习率由高到低；宽泛策略；小批量数据大小不必最优秀

3.效果展示：可视化输入与输出 使用VisualDL  可视化结果，权重（interpretDL），模型

   4.总结：最重要的地方在于神经网络工作的基本原理，明晰原理是进行后续操作的关键保证。SubClass形式组网对于模型组网来说十分重要，它克服了套件定制化需求低的缺点。模型训练只需要按照文档操作即可，但是超参数的选择需要综合多方面因素。