训练遇到瓶颈期接下来也不知道该怎么做？”

监控

训练遇到瓶颈期是很常见的情况，这时候可以尝试以下几种方法来突破：

1. 调整学习率：学习率过高或过低都可能导致训练停滞。可以尝试降低学习率，观察模型表现。 2. 正则化：增加正则化强度，比如L1/L2正则化，可以帮助模型避免过拟合。 3. 数据增强：对训练数据进行增强处理，增加数据的多样性，可以帮助模型更好地学习。 4. 更换模型架构：有时候当前的模型架构可能不适合你的数据或任务，尝试使用不同的模型架构可能会带来提升。 5. 增加训练数据：如果可能，增加更多的训练数据可以提高模型的泛化能力。 6. 提前停止：监控验证集的表现，当验证集的表现不再提升时，提前停止训练可以避免过拟合。 7. 回顾基础算法：确保所有的基础算法和设置都是正确的，有时候一个小错误也可能导致训练效果不佳。

希望这些建议能够帮助你解决问题。