我要游戏下载
查看: 6509|回复: 8
谁玩过剑斗士 起源啊 求NO.1打法 真是被虐的不行了
在线时间219 小时
阅读权限40
帖子猥币巴士票
猥服出巡 Lv.4, 积分 565, 距离下一级还需 435 积分
一开始用双枪戳脚的 根本不行啊 各种反弹啊 拳套也试过 也是各种反弹 技能也反弹 双刀。。。。 这魔人也太变态了点啊。。攻击高 差不多打到红血的时候 所有攻击都反弹了啊 这怎么打啊。。。。求教-o-（这游戏很有当初玩怪物猎人的感觉~~）- - 求教打法 被虐的不行了
在线时间282 小时
阅读权限40
帖子猥币巴士票
猥服出巡 Lv.4, 积分 674, 距离下一级还需 326 积分
我也玩这个去年玩的最多的游戏。
什么难度？什么武器？什么装备？
那个你升级了吗？
在那个看你的体力什么的界面按方块升级，还有选择技能的界面里按方块升级，升级后打就容易多了。
另外推荐你看一下《斯巴达克斯》系列美剧看完再玩更有感觉第二季刚刚回归。
新加入的新手
/liuxudong926/home
在线时间219 小时
阅读权限40
帖子猥币巴士票
猥服出巡 Lv.4, 积分 565, 距离下一级还需 435 积分
升级了 技能会升级的 普通难度的 第39天 武器&&双枪是两把黄色的 攻击平均在35左右 防御的也是 差不多 重点是 头部防御32 饿。。。&&拳套也有的 平均攻击在36左右 我的武器没精炼过 都是 掉的 饿。。。。。 两个属性200了 体力没有。。。饿 这太难了 我试过好多方法&&都不行 悲剧
在线时间1968 小时
阅读权限70
帖子猥币巴士票
猥然不动 Lv.7, 积分 8923, 距离下一级还需 1077 积分
最经刚通关 游戏里玩了150多天.
打魔王用双刀好点.打腿.多用弹刀
我只用双刀了头盔 别的装备都没带这样动作比较快
把头盔的和刀装备的第二项数值强化高点 帽子建议用商店买的皇冠.
PSN:leiv58 &&3DS
在线时间1537 小时
阅读权限80
帖子猥币巴士票
猥风八面 Lv.8, 积分 11506, 距离下一级还需 18494 积分
这游戏你只要肯慢慢打装备，什么no1都是菜（感觉no1还没那个皇帝难打），装备真的是无限合成啊，合成到后来重量1，威力一直加上去，坚固也是，不提还有很多属性加成。我是用双刀的，记得有个破防技能很流弊，可以一直大风车转啊转，只要耐力够，就这么转死了。。。。无脑啊。。基本姿势记得是用鹰的那个，蓄力破防打头，专门戳脚的那个姿势打起来挺累，用来打电脑电脑会完美防御没啥用。如果装备不好，掌握完美防御和逐步把对手逼入死角的走位也是很需要练习的。。
在线时间1537 小时
阅读权限80
帖子猥币巴士票
猥风八面 Lv.8, 积分 11506, 距离下一级还需 18494 积分
还有不要小看平时的比赛，尽量让喝彩达到合格值，然后吼一下，耐力好像10秒无限回复，可以一直用技能。而且评价很高，评价高的话，装备好，钱也多，打造得也顺一点。喝彩值如果你一周目装备不好，难以速杀对方，可以练练完美防御，成功一次，喝彩都会加一点。不过有些限时比赛就没法练了哟。。
在线时间1 小时
帖子猥币巴士票
猥不足道 Lv.2, 积分 103, 距离下一级还需 97 积分
在线时间282 小时
阅读权限40
帖子猥币巴士票
猥服出巡 Lv.4, 积分 674, 距离下一级还需 326 积分
武器什么攻击力没办法了除非从玩。
个人建议用单长矛或者换短剑什么的。用长矛注意不要和他近身。
技能个人记得跳跃斩和攻击腿部的最好换班用，单纯的攻击一点一会就能被他格挡。
新加入的新手
/liuxudong926/home
在线时间0 小时
帖子猥币巴士票
猥时尚早 Lv.1, 积分 2, 距离下一级还需 13 积分
打魔人么？我会告诉你用双持武器，不要轻易出手，他一出手，你就反弹他，然后一个空中刺击，注意你的走位，不要被逼到笼子上了，反弹加刺击，把他头盔摁掉，然后上去敲他脑袋，一般打死了，你也名垂青史了
水元素【普通成就】
水、H2O、みず、water，额...总之怎么叫都行了
(累计发帖1000即可解锁)
常客【普通成就】
《我的业余生活》从前有一个论坛叫TGBUS…(在线时间超过1000小时)
Powered by&>>&&>>&PSP《剑斗士：起源》公布！角斗士生存之路的故事
PSP《剑斗士：起源》公布！角斗士生存之路的故事
　　PSP《剑斗士：起源》公布（）！
　　本作是PS2上《角斗士：自由之路》的续作，讲述的是前作10年前的事情。该系列描写古罗马角斗士为了生存而在竞技场打拼的故事，类型属于ARPG。目前新作的详情和发售日期还未公布出来，大家不妨期待一下。
　　下面是前作的画面和简介：
　　《角斗士自由之路》(Colosseum: Road to Freedom)是一款极具古罗马风格的PS2平台动作角色扮演 游戏大作。与Capcom公司制作的《罗马之影》(Shadow of Rome)的曲折起伏不同，本作的剧情则是相当简单，其单人模式是由剧情驱动的。游戏讲述的是一名古罗马的角斗士Dracula，由于此前被卖作奴隶，为了重获自由，被迫充当角斗士进行血腥的战斗，他必须通过顽强抗争赢取每一场比赛以凑齐赎金。在游戏模式方面，除了单人模式以外，本作也支持双人合作和竞争游戏模式。
[nextpage]
　　游戏之初，系统就为玩家提供了一个训练环节，包含了一系列的小游戏，能够对玩家快速上手提供相关的指导，大有脾益。这些指导涉及如何成为一名优秀角斗士的方方面面，并且任务的完成非常简单，玩家可以选择一种武器，也可选择两种武器以及一些贴身的铠甲、盾牌，乃至于赤手空拳与对手进行交锋。PS2手柄上的各个按键各师其职，与人物的动作相互关联：例如，三角键用于强力攻击；而X键用于普通攻击；方型和圆型键则用于向左或向右进行攻击；推动操作杆再配合攻击按钮，就可以进行360度完全自由的攻击。除此之外，其它的一些辅助按键则用于组合攻击、躲闪、侧滚、匍伏跳跃、拾起和投掷物品及装备等等，甚至还有对兴奋槽的管理，这些都使得攻击以及作战方式更多更加的富有变化性。
　　在对抗中，将对手的武器和装备击落并据为己有非常常见。因此，你通常可以绕到对手的背后进行这一战术，不过当你的装备达到一定的数量之后，也要防止对手如法炮制夺取你的物品。在训练模式中，你将面对三个教练：Celadus、Gnaeus和Decimus。Celadus将教会你使用木器进行攻击，而Gnaeus则会教会你使用剑术，通过Decimus，你会学到一些拳脚。此外，在训练模式中，玩家还能得到一些积分，从而提升技能等级。作为一款打斗游戏，本作的操控系统具备相当的自由度，玩家只需进行些许训练，即可精悉各种武器的运用和整套打斗技能。
[nextpage]
　　除了以上这些最基本的打斗动作之外，本作还为各种人物分配了四种不同的打斗技能，比如，玩家可在角斗场上拾取敌人丢下的药粒学到这些技能，当兴奋槽充满后即可激发。本作其实对玩家的专属打斗技能并没有严格的数量限制，不过你的配置将影响到后继进程。例如，在战斗中，你手持护盾与利剑与敌对抗，如果你的护盾被击落后没有夺回，那么你先前配置的四种专属打斗技能将形同虚设。因此合理的办法是，先暂时配置两种专属打斗技能，当你失去护盾后，马上加进第三种。或者会使用另一种武器进行替换，这样为了使用两种武器同时攻击，你得加进第四种。在本作中，玩家可以很方便地得到各种武器和装备，这样玩家可以在对抗中使用更多的策略。通常你的资金并不宽裕，因此必须量力而行，比如，其中用不到的装备还可以廉价出售给武器商。
　　在本作中，角斗可以说是贯穿游戏始终的一大主题，游戏类型显得极大丰富，能过满足玩家的不同之需。通常，这些对战类型有：团队战，在该方式情况下，你可以与同伴合作对付敌方的角斗团队；在“生存赛”模式下，你必须在限定的时间内进行对战，只有幸存者才能取胜；在“狩猎赛”中，你将与一头野牛或者老虎等凶猛的动物进行对抗；在“皇家对抗赛”中，你只能使用单手对抗一系列的敌人；而在“决斗赛”中，你将与装备精良的角斗士一决生死；在“取乐赛”中，玩家将使出浑身解数以赢得场外观众的欢呼与喝彩。通常，在玩家进入角斗场后，就可以看到整个的对战安排，事件发生的顺序将取决于你的排名。
[nextpage]
　　值得一提的是，《角斗士自由之路》在医疗和装备方面通常会消耗玩家大量的资金。此外，仅管是奴隶，不过你仍然有自由的权力来决定是否参加某场次的角斗比赛。不过，本作在角色扮演方面的表现深度不够，只是简单地加入了一些传统的RPG游戏中的武器装备升级等游戏元素，还能在游戏世界中探寻以获取各种不同的物品和装备。由于本作使用的是固定的观察视角，因此这些游戏的体验效果就将大打折扣。此外，本作的游戏场景寥寥可数，你会发现只有训练场、装备区和卧室等几个区域，仅此而已。同时，游戏流程具备很强的真实性，只有当玩家凑齐赎金重获自由后才能进入新一轮的通关流程，不过这也使本作的自由度不强，从而也使游戏性大减。
[nextpage]
　　对抗场景相当精彩，角斗场上总是杀机四伏，某些赛事的地面上到处都是刀片和插满铁钉的木桩，可以庆幸的是你的对手通常智能度都不是太高。在交战中，面对木桩林立的角斗场，对手总是企图通过最短的路径对你发起攻击，而往往被木桩上的铁钉所伤，通常这都是相当致命的。另外，地面上的刀片也能干扰对方的进攻。令人遗憾的是，本作在打斗方面挑战性不高，因为游戏AI表现相当智能，角色能够很快捷地获得武器装备。同时，游戏支持多达20个角斗士的团队混战，当有人被杀死，他的尸体并不会消失，将对其它角斗士的对战造成不便。在本作中，搏得场外观众的喝彩与赢取胜利同等重要。虽然对敌进行背后偷袭是克敌制胜的简捷方法，不过要获得公众的认同只有进行正面交锋。因此，兴奋槽一旦充满，你通常得使出浑身解数将各种特技全数发出，这时整个屏幕会变红，画面进入慢放状态。总之，在视觉效果方面《角斗士自由之路》的表现相当惊艳。据悉，本作目前已经进厂压盘，将于近期与广大玩家见面。
PSP新闻资讯
最新PSP游戏
专题歌曲推荐
Copyright (C) 2008
All Rights Reserved 版权所有联系Email：怪物猎人2g我用金手指格全任务，训练所全过，为啥没出黑龙任务，怎么出？_百度知道15:26:12 UTC
【编者按】本文由Ilya Sutskever（Google研究员、深度学习泰斗Geoffrey Hinton的学生、DNNresearch的联合创始人）受Yisong Yue之邀所写，综合讲述了有关深度学习的见解及实用建议。文章由Yisong Yue授权《程序员》电子刊翻译，并刊载于《程序员》15·2B期。
近年来IT界里掀起了一股深度学习热，有望成为下一个技术创新风口。在诸如语音识别、影像识别及其他语言相关的如机器翻译等领域里，深度学习业已取得了相当不错的成绩。
为什么呢？深度学习究竟有何神通？（接下来在论述深度神经网络时，会简写为LDNN，Large Deep Neural Networks）现在的LDNN与过去又有何异同？最后，或许你会问及如何训练一个LDNN。坊间流行的说法是“难，难，难”，同时给LDNN训练披上了一件有着“黑色魔法”的外衣——经验，经验！诚然经验不可或缺，但不应过分夸大。此外，很多开源神经网络方案已帮助不少初学者找到了入门捷径（如Caffe、cuda-convnet、Torch、Theano等）。
为什么深度学习是可行的
首先，工欲善其事，必先利其器。如果缺乏一个足够强大的模型，再好的学习算法也只能隔靴搔痒。
其次，该模型必须是可训练的。否则在瞬息万变的时代，不可训练的模型无疑是阿喀琉斯之踵。
庆幸的是，LDNN既强大又可训练。
LDNN究竟强在哪里
谈及LDNN时，我通常指的是10-20层的神经网络（这是现有算法所能驾驭的）。以下列举了几点有关LDNN的强大之处。
传统统计学模型学习的是简单的模式或群集。相反，LDNN学习的是计算，尽管进行大规模并行运算时需要适量的计算步骤。这就是LDNN与其他统计模型的重要分水岭。
更具体地说：众所周知，任何算法都可由合适的深层电路图来实现（如把算法实现中的每一时步作为一层）。而且，电路图层次越深，电路算法实现的难度越大（比方说运行时）。如果把神经网络用作电路图，越深层的神经网络越能执行更多的算法运算——深度=力度。
注意：需要明白一点的是神经网络中的单个神经元能够对输入聚集或输入分集进行计算，要做的就是对它们的连接赋上合适的值。
出人意料的是，事实上神经网络比布尔电路更加高效。进一步说，要解决某个问题，一个相当浅层DNN的层次开销比布尔电路所需的要少得多。例如，一个有着两个隐藏层和适量计算单元的DNN能够对NN位数字进行排序。当我知道这结论时是相当的惊讶，所以我尝试创建一个小型神经网络然后训练它使之对106位数字进行排序，其执行结果与结论高度一致！而如果使用布尔电路对NN位数排序，在相同条件下，这是实现不了的。
DNN比布尔电路高效的原因是神经元会执行阈值操作，而微布尔电路则做不到。
最后，尽管人类神经元速度慢，但能在短时间内完成很多复杂的任务。具体地说，有个常识是一个人类神经元每秒的运作次数少于100次。意即假若某人能在0.1秒内解决问题，我们的神经元在足够时间内只会运作10次。所以说一个10层大型神经网络能够完成任何人类需时0.1秒来做完的任务。
人的普遍认知是人类神经元要比人工神经元强大得多，但其实有可能相反。究竟孰优孰劣，暂时还言之尚早。
有趣的是，人类通常能在0.1秒左右解决极其复杂的认知问题。例如，对于眼前的事物，不论是表情，脸部还是语言交流，我们都能很快识别并作出反应。事实上，如果世上有一个人能解决最复杂的问题，即使仅有一位，也足够说服人们相信LDNN能做到相同的事情——务必确保获得正确的数据输入。
小型神经网络可行吗？也许是的。人的神经网络必定无法进行指数级生长，因为人的脑部是不可能疯长的！如果人的神经元出现杂音，意思是当一个人工神经元可以完成需要多个人类神经元合力才能完成的工作时，与人脑相匹配的DNN所需的神经元个数将明显减少。
上述的几个争论点主要阐明了在不同情况下，存在着一个能基本解决问题的LDNN连接配置。关键的，解决问题所需的单元个数要远少于指数级；因此，利用现有硬件来训练并获得一个高性能网络是可行的。最后的这点非常重要，以下继续深入说明。
我们知道机器进行算法学习是持续性的：也就是说，只要提供充足的数据，它们就能把问题解决。但持续性往往意味着指数级的大数据量。举例来说，当最近邻算法把所有可能性都考虑到了，便能解决任何问题；向量机与此类似，需要做的是提供足够的训练样本。这同样适用于一个有着单个隐藏层的神经网络：如果每个可能的训练样本都对应着一个神经元，而该神经元不关心其他事例，那么我们便可从输入和输出中学习并展示每个可能的功能。问题解决依赖于数据，但在有限的资源里不一定任何时候都能实现。
这便是LDNN与旧版的区别：使用大型而非巨大的LDNN来解决实际问题。如果人能短时间内解决问题，就足以证明即使是最小型神经网络也蕴藏着巨大的能力。
我必须承认的一点是，DNN能否把给定的问题解决好还有待时间来证明，虽然LDNN常常能在可操作的数据范围内把同一个问题处理好。
这就是我要说的。对于某个问题，例如是视觉目标识别，我们所要做的是要对一个50层巨型卷积码神经网络进行训练。显然达到如此级别的神经网络足以与人类神经网络媲美，不是吗？所以找到这样的权值是成败的关键。
什么是学习？学习是为神经网络权值找到合适的设置值来使训练数据效益最大化。换言之，我们要把来自标识数据的信息作为输入参数，以供神经网络使用。
深度学习的成功取决于一个幸运的事实：精心调配并已初始化好的随机梯度下降法（SGD）能够很好地对LDNN进行训练。这是有意义的，因为一个神经网络的训练错误也是其权值的功能时，该错误是高度非凸的。当进行非凸优化时，其结果是不可预知的；只有结果为凸是好的，非凸就是不好的。但SGD看起来似乎能对此做出改善。对神经网络进行训练是个NP困难，事实上要找出有着3个隐藏单元的神经网络最佳数据集是NP困难的。而SGD能在实际中解决该问题。这是深度学习的立足之本。
可以相当自信地说，成功的LDNN训练依赖于数据的“简单”关联，从而使LDNN不断自我学习以解决数据的“复杂”关联。对此我有着一个成功的实验：训练一个神经网络来解决奇偶问题是较困难的。我成功实现了25bits、29bits的检验，但从来没有超过30bits（或许有人可以实现，但我真的还没有）。现在，我们知道奇偶问题是非常不稳定的，它缺乏任何的线性关联：每个线性输入与输出是不关联的，这对于神经网络是个问题，因为在初始化时神经网络是高度线性的（难道说我需要使用更大的初始权值？有关权值初始问题会在稍后讲述）。所以我的假设是（很多专家也分享过），当神经网络开始进行学习时就已关注到输入输出高度关联，当引入隐藏单元对此进行监测时，神经网络便可处理更复杂的关联。我设想了更多样的关联，包括简单和复杂，一个网络从一个关联跳入更复杂的关联，这不正是机会主义登山者的真实写照吗？
虽然有关神经网络优化还缺乏实质性谈资（除了又凸又无聊的局部最小值问题），相比之下泛化的讨论则可有趣且具体得多。
例如以下这件往事：Valiant在1984年发表一篇名为“可学习理论”的著名论文，他简单证明了如果给定有限的函数个数，比方说N个，一旦有着比log N更多的训练案例而该增量是个很小的常量因子时，每次训练错误将会接近每次测试错误。显然，如果所有的训练错误都接近它的测试错误，那么过度拟合基本上是不可能的（当训练错误和测试错误之间差距太大的时候才会发生拟合。我也曾在Vapnik书中看过类似结论）。这个定理很容易证明，这里就不多说了。
但这个简单的结果对任何神经网络的实现都有着非常重要的意义。假如有一个含有N个参数的神经网络，每个参数都是32位float。那么当一个神经网络被指定为32×N bits时，那么意味着不同的神经网络不会超过232?，甚至更少。也就是说，一旦有着超过32×N的训练样本，我们不会过度拟合多少。这样很好。理论上我们可以对参数进行计数。更重要的是，如果我们确信每个权值仅需要4个bits，而其他都是噪值，那么训练样本的数字必定是一个很小的常量因子4×N，而不是32×N。
如果我们要使用一个LDNN来解决难题，就需要给予足够的参数。所以我们需要一个超高质量的标记训练集，使之确保有足够的信息来匹配所有的网络连接。一旦得到了该训练集，我们应该在这之上运行SGD直到问题解决。如果神经网络是较大而深的，这是可实现的。
80年代以来的改变
过去，人们曾认为神经网络可以解决“一切问题”。但最后为什么没有成功呢？这里面有如下几个原因。
过去计算机速度很慢，因此过去的神经网络是微型的，这导致性能的先天不足。换句话说，小型神经网络功能不强。
数据集很小。即使能奇迹般地训练LDNN，也缺乏足够的大信息数据集来约束巨量的神经网络参数。所以失败是不可避免的。
没有人知道如何训练深度网络。深度网络很重要。当前20-25个连续圈层是最好的对象识别网络配置。一个两层的神经网络注定在对象识别上是低效的。在过去人们认为SGD不可能用来训练深度网络，因为当时认为这是难以置信的。
科学发展是多么的有趣，特别是回首以往，会发现现在进行深度神经网络训练是小事一桩了。
好吧，或许你已经跃跃欲试了。LDNN代表着现在也代表着未来，难道不想训练它？但传言说LDNN很高深，这是真的吗？过去或许是，但现在很多社区已经做出努力和尝试，只要把以下所述牢记于心，训练神经网络就不会太难。下面是有关社区的知识总结，这很重要请仔细阅读。
获取数据：确保要有高质量的输入/输出数据集，这个数据集要足够大、具有代表性以及拥有相对清楚的标签。缺乏数据集是很难成功的。
预处理：将数据进行集中是非常重要的，也就是要使数据均值为0，从而使每个维度的每次变动为1。有时，当输入的维度随量级排序变化时，最好使用那个维度的log(1+x)。基本上，重要的是要找到一个0值的可信编码以及自然分界的维度。这样做可使学习工作得更好。情况就是这样的，因为权值是通过公式来更新的：wij中的变化 \propto xidL/dyj（w表示从层x到层y的权值，L是损失函数）。如果x的均值很大（例如100），那么权值的更新将会非常大，并且是相互关联的，这使得学习变得低劣而缓慢。保持0均值和较小的方差是成功的关键因素。
批处理：在如今的计算机上每次只执行一个训练样本是很低效的。反之如果进行的是128个例子的批处理，效率将大幅提高，因为其输出量是非常可观的。事实上使用数量级为1的批处理效果不错，这不仅可获得性能的提升同时可降低过度拟合；不过这有可能会被大型批处理超越。但不要使用过大的批处理，因为有可能导致低效和过多过度拟合。所以我的建议是：根据硬件配置选取适合的批处理规模，量力而为会更加高效。
梯度归一化：根据批处理的大小来拆分梯度。这是一个好主意，因为如果对批处理进行倍增（或倍减），无需改变学习率（无论如何，不要太多）。
学习率计划：从一个正常大小的学习率（LR）开始，朝着终点不断缩小。
1LR的典型取值是**0.1**，令人惊讶的是，对于大量的神经网络问题来说，0.1是学习率的一个很好的值。通常学习率倾向于更小而非更大。使用一个**验证集**——一个不进行训练的训练集子集，来决定何时降低学习率以及何时停止训练（例如当验证集的错误开始增多的时候）。学习率计划的实践建议：若发现验证集遭遇瓶颈，不妨将LR除以2（或5），然后继续。最终，LR将会变得非常小，这也到了停止训练的时候了。这样做可以确保在验证性能受到损害的时候，你不会拟合（或过度拟合）训练数据。降低LR是很重要的，通过验证集来控制LR是个正确的做法。
但**最重要的是要关注学习率**。一些研究人员（比如Alex Krizhevsky）使用的方法是，监视更新范数和权值范数之间的比率。比率取值大约为10ˉ3。如果取值过小，那么学习会变得非常慢；如果取值过大，那么学习将会非常不稳定甚至失败。
权值初始化。关注权值在学习开始时的随机初始化。
如果想偷懒，不妨试试0.02*randn(num_params)。这个范围的值在许多不同的问题上工作得很好。当然，更小（或更大）的值也值得一试。如果它工作得不好（例如是一个非常规的和/或非常深的神经网络架构），那么需要使用init_scale/sqrt(layer_width)*randn来初始化每个权值矩阵。在这种情况下，init_scale应该设置为0.1或者1，或者类似的值。对于深度且循环的网络，随机初始化是极其重要的。如果没有处理好，那么它看起来就像没有学习到任何东西。我们知道，一旦条件都设置好了，神经网络就会学习。一个有趣的故事：多年来，研究人员相信SGD不能训练来自随机初始化的深度神经网络。每次尝试都以失败告终。令人尴尬的是，他们没有成功是因为使用“小的随机权值”来进行初始化，虽然小数值的做法在浅度网络上工作得非常好，但在深度网络上的表现一点也不好。当网络很深时，许多权值矩阵之间会进行乘积，所以不好的结果会被放大。但如果是浅度网络，SGD可以帮助我们解决该问题。
所以关注初始化是很有必要的。尝试多种不同的初始化，努力就会得到回报。如果网络完全不工作（即没法实施），继续改进随机初始化是正确的选择。
如果正在训练RNN或者LSTM，要对梯度（记得梯度已除以批量大小）范数使用一个硬约束。像15或者5这样的约束在我个人的实验中工作得很好。请将梯度除以批处理大小，再检查一下它的范数是否超过15（或5）。如果超过了，将它缩小到15（或5）。这个小窍门在RNN和LSTM的训练中发挥着巨大作用，不这样做的话，爆炸性的梯度将会导致学习失败，最后不得不使用像1e-6这样微小而无用的学习率。
数值梯度检查：如果没有使用过Theano或者Torch，梯度实现只能亲力亲为了。在实现梯度的时候很容易出错，所以使用数值梯度检查是至关重要的。这样做会让你对自己的代码充满信心。调整超级参数（比如学习率和初始化）是非常有价值的，因此好刀要用在刀刃上。
如果正在使用LSTM同时想在具有大范围依赖的问题上训练它们，那么应该将LSTM遗忘关口的偏差初始化为较大的值。默认状态下，遗忘关口是S型的全部输入，当权值很小时，遗忘关口会被设置为0.5，这只能对部分问题有效。这是对LSTM初始化的一个警示。
数据增加（Data augmentation）：使用算法来增加训练实例数量是个有创意的做法。如果是图像，那么应该转换和旋转它们；如果是音频，应该将清晰的部分和所有类型的杂音进行混合处理。数据添加是一门艺术（除非是在处理图像），这需要一定的常识。
dropout：dropout提供了一个简单的方法来提升性能。记得要调整退出率，而在测试时不要忘记关闭dropout，然后对权值求乘积（也就是1-dropout率）。当然，要确保将网络训练得更久一点。不同于普通训练，在进入深入训练之后，验证错误通常会有所增加。dropout网络会随着时间推移而工作得越来越好，所以耐心是关键。
综合（）。训练10个神经网络，然后对其预测数据进行平均。该做法虽然简单，但能获得更直接、更可观的性能提升。有人可能会困惑，为什么平均会这么有效？不妨用一个例子来说明：假如两个分类器的错误率为70%，如果其中一个的正确率保持较高，那么平均后的预测会更接近正确结果。这对于可信网络的效果会更加明显，当网络可信时结果是对的，不可信时结果是错的。
以上13点意见涵盖了成功训练LDNN的一切，希望我没有遗漏。
最后总结如下：
LDNN是非常强大的；
如果有台高性能计算机，LDNN是可训练的；
如果有一个超高质量的数据集，我们可以为任务找到最好的LDNN；
LDNN可以解决问题，或者说至少对解决问题有所帮助。
未来会是怎样的呢？预测未来显然是困难的，但一般而言，能够执行更多计算的模型也许会非常好。神经图灵机在这个方向上迈出了非常重要的一步。其他问题，包括无监督学习，截止日，于我而言还仅是冰山一角。使用无监督学习来学习复杂数据是个很好的尝试。路漫漫其修远兮，我们仍需努力。
原文链接：