把神经网络训练形象化为婴儿的学习，一定程度上是比较恰当的：
训练神经网络需要给它输入数据，这些数据可以是原始的数据，也可以是经处理过的特征数据，然后告诉它这条数据对应什么内容（此处只指监督学习）；训练好的网络可以去处理新的数据，包括分类、识别等。
教小孩学东西也是，比如教小孩看图识物，你要告诉它这个东西呢，【特征】身体像一条绳子一样，是在地上爬的，有眼睛且会吐出舌头等等，然后告诉小朋友，【标签】这东西叫蛇。
但是，如果你恰好拿到了一张如上图一样的图片（来自画蛇添足），小朋友不仅记住了你给他说的那些蛇的特征，而且还在脑海里记住了蛇有两双脚。等到下次他看到下面这张图片的时候。。
第一次小朋友看到的蛇身上的两双脚（训练集有的特征，而测试集上没有），干扰了小孩的学习。
在神经网络训练的时候，当训练集和分布和测试集的分布不一致，也会有这样的问题：在训练集上提取的特征，测试集上没有，或者相差很大，导致模型的泛化能力差。
怎么办？
通过对抗验证的来删除重要特征。
什么原理？如何实现？
对抗验证实现过程中，首先将训练集和验证集合并，分别将训练集和验证集对于的标签设置为0和1，投入网络中训练，此时，在模型的callback或者compile-metrics中加入AUC（这是一个模型评价标准，值越大，模型觉得自己越牛逼），假如我们对数据集提取了很多类型的特征（比如皮肤、尺寸、行走方式、眼睛大小等等），我们逐个将特征输入网络，记录下网络训练得到的AUC，最后我们将AUC高的特征删掉！
为什么要将高的AUC对应的特征删除呢？
因为AUC高，说明模型能够很好地分别训练集合测试集，说明这个特征在训练集合测试集上表现很不一样啊！此时不删更待何时。
总结：
“小明，你连蛇都不认识呀？上次不是给你看过图片吗？”
“上次你给我看的蛇有脚的，这次没有！坑娃的爹！”
