周为第三课的第二周内容，本周的内容关于在上周的基础上继续展开，并拓展介绍了几种“学习方法”，可以简单分为误差分析和学习方法两大部分。
其中，对于后者的的理解可能存在一些难度。同样，我会更多地补充基础知识和实例来帮助理解。
本篇的内容关于误差分析与快速迭代，是在上周的优化策略上的再一次完善。
1.如何误差分析？
误差分析，一个在理工科里常见的词，我们就不多介绍了，在这里更关键的是，如何在DL领域进行科学的误差分析？
我们继续用课程里的例子来进行介绍：
image.png
就像例子里所说，我们找到了一个误差原因，可是我们并不知道花费大量时间解决这个问题后指标能上升多少，这个问题到底占全部误差的多少？如何找到最大问题？这就是误差分析的科学所在。
由此，我们继续往下看：
image.png
image.png
错误现象除此之外还有很多，比如滤镜，标签标注错误等等。
总之，在误差分析中，我们可以找一组错误样例并统计不同错误类型的样本占比，就可以找到更需要优先被解决的问题。
下面的内容，我们再展开一些需要细化的方面和其他策略。
2. 标签标注错误
之前，我们都一直默认数据集是一定正确的。
具体说一下，在监督学习中，每个数据对应其标签，所有猫图像对应一个标签，其他类同理，不会出现一个猫的标签确是狗的情况。
但实际上，图片的标签也是人工标注的，因此，出现这种错误并不奇怪，我们由此来展开这种情况带来的影响和相应的处理措施。
来看这个例子：
image.png
因此，总结来说，这种标注错误在训练集中的影响往往不大。
另外，这里要专门强调一点：
稳健性是指系统或模型在面对变化或干扰时保持有效性和稳定性的能力，就像面对此时的标注错误。
你也可以叫他健壮性，稳定性等等可以表达这类含义的词。
但是在论文里或者其他学术相关的地方，我们一般统一叫它鲁棒性。
这种叫法是源于英文中的“robustness”一词，是它的音译，来更准确地传达英文原意。
所以，如果你在别的地方看到了鲁棒性，请记住：鲁棒性就是稳健性，稳健性就是鲁棒性。
（如果你看了这节的视频课程，会发现弹幕因为这个问题吵起来了）
我们继续：
image.png
3.快速迭代
实际上这部分的思想和软件工程中的敏捷开发有些相似，适用于模型的构建初期阶段，很容易理解，就不多展开了。
image.png
4.总结
概念 原理 比喻
误差分析（Error Analysis） 从错误样本中统计不同类型错误的占比，以确定最影响性能、最值得优先解决的问题。 就像你做完一张考卷后，不是盲目重学一整本书，而是先数一数：数学丢分多，语文只错一道，那就先补数学。
数据集标注错误（Label Error） 训练集中少量“猫被标成狗”这类错误通常不会使模型崩溃，但过多会导致模型混乱。 就像有人偶尔喊错你名字你也能反应过来，但如果十个人里有一半都叫你错名，你就不知道谁是谁了。
鲁棒性（Robustness） 模型在面对噪声、标注问题、输入扰动等情况下仍保持稳定性能的能力。 像一个听力很好的朋友：周围很吵他也能准确听懂你说话，就是很“鲁棒”。
快速迭代（Rapid Iteration） 不用一次做出完美模型，而是做—>训练—>看结果—>修正—>继续的循环，类似敏捷开发。 像画画：先画草稿确定构图，再慢慢精细化，而不是一开始就拼命画细节。
