1.使用低质量数据——缺失数据、噪音数据、不具代表性的数据都会降低模型性能。
2.忽略离群值——离群数据点会对模型产生较大影响，需要妥善处理。
3.数据集太大或太小——数据集需要适中且高质量，过大或过小会导致过拟合或欠拟合。
4.使用性能不足的硬件——深度学习需要高性能计算资源，使用老旧系统会限制性能。
5.集成错误——需要谨慎地将深度学习技术集成到旧系统中。
6.重复使用单一模型——应该训练和评估多个模型，获得更全面的结果。
7.首个模型就想要最佳效果——不同模型各有擅长，需要迭代和变化来获得鲁棒结果。
