机器学习、深度学习的模型网络结构是如何确定的？前不久和人聊天，他说他们可以通过数学计算的方式来确定网络结构，从而完成对现有经典网络进行修改，或直接自己设计网络，来提升模型的精度和性能。说实话，这颠覆了我的认知，我原以为是靠经验和不断尝试才设计出的新的有效网络。那么该如何通过数学方式计算呢？能举个简单的例子么？
都是参考前人设计，然后基于此进行创新或者革新，设计新的网络结构，我举几个简单例子：
1.loss部分调整：比如：我们可以修改loss，之前用的交叉熵loss，完全可以改成focalloss，tripleloss，aslloss等等，当然可以自己设计一个新的loss。
2.常见模型结构微调：可以对网络结构加入一些常规的操作，dropout，fgb都是有可能的；另外，有的loss可能输入需要多个样本，这样可能就得让模型的调整模型的编码结构。
3.结构借鉴：可能提出一个新的结构组件，同时融合已有结构取得很好效果，比如，transformer，他的整体其实编解码结构，这个早就有了，但是他会把其中某个组件做了优化，做了并行，做了self-attention等等，当然这个attention机制在cv中早就有了，他可能对其中做了self，然后用了layNorm，做了另外的归一化等等；当然也有cv反过来，借鉴transformer，把输入调整成和NLP类似，对其中的mask的比例做了新的探索，对次序进行了变化等等
上面的例子没有先后顺序，没有高端还是低端，完全是看能否有效的解决问题，比如，
1.调整loss看起来好像没啥，实际上可能你用了一个好的loss，取得好的效果，就是一个不错的工作，很多大牛可能就是提出了一个新的loss，取得了一个新的结构。
2.调整其他结构也一样，有点大佬可能就是加了一个残差效果就上去了，可能加了一个attention等等
这也颠覆了我的认知.
.. 调参侠都要被优化了🙃