优化配置：是用什么优化方法？学习率是多少？rmsprop对大多数问题都有效，作为默认方法。
最常见的选择：
明确需要训练模型的复杂度，先开发一个过拟合模型：
添加网络层；
每层网络添加神经元数目；
epochs变大。
监测训练集和验证集上的损失值变化以及训练集验针集准确率。当验证集上表现开始衰减时，发生过拟合。
下一阶段进行模型调整。
这个阶段耗时最长：反复尝试；训练，验证集上评估，修改模型，再次训练等等；直到模型满足要求。
添加Dropout；
不同的架构：增加、减少网络层；
L1、L2正则化；
修改不同的超参数；
在不同的特征工程上迭代：添加新特征、减少特征等等。
每次使用验证集上的表现调整模型时，验证集的信息会泄露到模型中。重复几次是无伤大雅的；但重复次数过多，最终会导致在验证集上模型过拟合，评估结果不可信。
一旦最佳的模型参数、配置情况确定，最后在非测试集上的所有数据进行训练，最后在测试集上进行测试评估。