整个流程中，模型设计公司在设计模型的时候动机和方针非常重要。其间包含需求与问题的界说、建立问题的数学模型、确认数据与求解问题之间的关系、探索问题解的可能性、方针的可实现性与可评估性。

　　充沛的数据：模型设计公司首先要有充沛的模型设计数据，分为两个层面。首先是数据特征，用于确认能否达到模型设计的方针，特征应当具有一定的“因果关系”，散布要有“导向性”。第二数据集应当尽可能多，DNN需求很多的数据，而且模型在小的数据集上简单过拟合。主张假如条件答应可以测验扩展原始的数据集合。

　　数据预处理：数据预处理对很多业内人员来说是个令人头疼的问题，针对不同场景有不同的解决方案。简单介绍几种常见的方式。首先是去均值处理，即用原始数据减去全部数据的均值，把输入数据各个维度的数据都中心化为0。去均值处理后，特征尽管明显了，但是特征之间的彼此比较性尚未明确，因而要用到归一化处理，把每个维度上的数据都除以这个维度上的数据的标准。另外还有一种适使用于图像处理的方式PCA/Whiteing（白化），图像中相邻像素点之间的特征极为相似，无法轻易做到收敛。而PCA可以去除这些相邻特征的相关性，达到快速收敛的目的。

　　数据的shuffle：每次epoch的时分都会有很多的batch，一般情况下这些batch都是相同的，但理想状态是每次epoch都有不同的batch。因而假如条件答应就应该在每次epoch的时分shuffle（随机化）一次，以获取不同的batch。