1.统一训练监控指标和评估指标

评估一个模型的最佳指标是在实体级别计算它的F1值，而不是token级别计算它的的准确率）。自定义一个f1值的训练监控指标传给回调函数

Preliminary

• TP：实际为P，预测为P

• TN：实际为N，预测为N

• FP：实际为N，预测为P

• FN：实际为P，预测为N

如何记忆：

• TP/TN: 以T开头，表明预测正确，预测即为第二个字母

• FP/FN: 以F开头，表明预测错误，预测与第二个字母相反

Accuracy

最简单也是最好理解的，也是我们很早就开始接触的一个指标就是准确率，即预测正确的样本除以总样本数

Recall, Precision, F1

• Recall（召回率）：预测正确的正类在正类样本中的比例（针对于样本真实情况）

• Precision（精确率）：预测正确的正类在预测为正类中的比例（针对于预测情况）

• F1:两者通常难以兼得，因此引入两者的调和平均，来得到一个trade-off的值

2、学习率衰减策略

学习率是深度学习中的一个重要的超参，如何调整学习率是训练出好模型的关键要素之一。

在训练过程中，一般根据训练轮数设置动态变化的学习率。

• 刚开始训练时：学习率以 0.01 ~ 0.001 为宜。

• 一定轮数过后：逐渐减缓。

• 接近训练结束：学习速率的衰减应该在 100 倍以上。

• 两种学习率衰减模式，一种为线性衰减，一种为指数衰减。

• 如果学习率过小，梯度下降很慢，如果学习率过大，如 Andrew Ng 的 Stanford 公开课程所说梯度下降的步子过大可能会跨过最优值。不同的学习率对 loss 的影响如下图所示：

3、分层设置学习率，非bert层要大

在使用bert或者其它预训练模型进行微调，下接其它具体任务相关的模块时，会面临这样一个问题，bert由于已经进行了预训练，参数已经达到了一个较好的水平，如果要保持其不会降低，学习率就不能太大，而下接结构是从零开始训练，用小的学习率训练不仅学习慢，而且也很难与BERT本体训练同步。因此在训练时候就需要对预训练层设置较小学习率，对下接层设置较大学习率。

4、使用对抗训练提升模型鲁棒性

对抗训练是一种能有效提高模型鲁棒性和泛化能力的训练手段，其基本原理是通过在原始输入上增加对抗扰动（噪声），得到对抗样本，再利用对抗样本进行训练，从而提高模型的表现。

5、更精细化的调参

调整learning_rate or batch_size or lamb等等