1樓：Scott
應該是說訓練之後得到的weight是固定的，沒法再更動的。用來推論或是辨識的話，precision的高低也是確定的。所以要得到較高precision的訓練權重，這在訓練時就必需不斷的對model調參，以確保最後得到的weight有高的準確率。
2樓：負十二分之一
你依然可以用pre-processing，post-processing，test-time augmentation，model ensemble等方法繼續提公升效能啊。
3樓：DLing
模型訓練好以後只能說當前狀況下效能是確定了，但是只要是乙個深度學習任務，肯定是可以繼續優化下去的，主要看你關注的點有哪些？通常下來，優化的方向有下面幾點：
1. 模型本身的準確率指標優化；這個可以通過加資料，提公升資料質量，影象增強，嘗試新的模型結構，使用更符合任務的損失函式…
2. 占用計算資源，推理速度的優化；這個可以通過輕量化模型，模型剪枝蒸餾，高效能推理方式（如TensorRT，半精度，INT8等）…
3. 降低維護成本方向的優化；可以通過充分理解任務，進行模型任務的合併，減少工程負擔，也可以在資料質量維護上面動動腦筋，降低公司成本…
其實只要有心，可以優化的地方肯定是很多的，下面有乙個我寫的一篇關於演算法工程師怎麼入門高階的回答，以及模型準確率很高了怎麼創新的回答，可能能給你思路。
DLing：計算機視覺應該怎樣入門？
DLing：深度學習前人精度很高了怎麼創新？
在深度學習模型的訓練中，其效能不斷變化，應當將何時效能，看作為「最終的」模型效能？
hui dust 機器學習模型中都有訓練集 驗證集 測試集 訓練集資料餵給模型訓練，每輪epoch在驗證集上驗證指標，多輪訓練時取驗證集指標最好的情況作為最終的模型效能。 Fain 一般來說，當多次降低學習率，驗證集的loss依然不下降，則取最近一次下降的模型引數。損失不下降說明模型已經到達了不錯的...
深度學習裡面訓練模型的時候，為什麼新增正則項它的超引數都是自己調的？
走在邊沿上 一般，乙個引數之所以成為超引數，要麼是因為關於它的任何資訊都不能被訓練資料集表示，要麼是因為一旦讓它成為trainable的，我們總會得到乙個trivial的值。從第乙個角度看，正則化的本質是限制目標函式空間的大小，保證目標函式的smoothness。資料集本身顯然並不會包含關於它的任何...
深度學習中模型訓練的通用流程是怎樣的？
妞妞 簡單的說一下通用的流程，當然訓練不同的模型，可能會多加一些處理。第一步，資料預處理，獲取資料後，需要對資料進行篩選，分訓練集 測試集以及驗證集等 第二步，將資料輸入到神經網路 這裡可以根據資料多少構建合適的神經網路，防止出現過擬合和欠擬合 即每個神經元的輸入值加權求和再輸入到啟用函式，得到輸出...