1.一种基于回调的深度神经网络错误定位方法，其特征在于，包括以下步骤：步骤1、DNN模型准备；选取DNN错误模型，并构建训练数据集，在模型训练时，添加一个回调函数Callback，保存模型变量并收集训练信息；

步骤2、DNN错误检测；在前向传播过程中，跟踪以下五项指标：损失值、准确率、验证损失值、验证准确率、神经元数量和层数，并在每次迭代后记录各指标值；

步骤3、DNN统计分析；根据步骤2所得各指标值，对欠拟合和过拟合进行定位，完成对深度学习模型训练的实时诊断；

步骤3‑1：检测DNN欠拟合；应用统计工具获取并分析训练和验证的损失及准确率，识别欠拟合现象，具体包括：滑动平均分析：

计算训练损失和验证损失在一定的周期范围内的滑动平均，用于平滑短期的波动并获取稳定的损失趋势；

变化率计算：

对比当前周期与前一周期的损失，计算损失的变化率，如果变化率在数个周期都低于设定值，表示模型没有从数据中学习到足够的信息；

训练与验证准确率差异：

监测训练准确率与验证准确率之间的差异，如果训练准确率距100％差值小于设定值但验证准确率与训练准确率的差值大于设定值，表示存在欠拟合问题；

阈值判定：

分别为损失的变化率和训练与验证准确率的差异设定阈值T1和T2，如果连续数个周期都出现损失的变化率低于T1，或者训练与验证准确率的差异高于T2，发出欠拟合的警告；

可视化分析：

绘制训练损失、验证损失、训练准确率和验证准确率的图表，用于观察各指标随时间的变化趋势，辅助欠拟合的判断；

步骤3‑2：检测DNN过拟合；应用统计工具获取并分析训练和验证的损失和准确率，同时将模型的复杂度作为参考因素，通过可视化指标，评估模型的状态和表现，具体包括：损失与准确率分析：

监测训练损失和验证损失，如果训练损失持续下降，但验证损失开始上升或变化增大，表示模型过拟合；

对比训练准确率和验证准确率，如果训练准确率在p％的周期里上升速率超过设定阈值并且训练准确率距100％差值在设定范围内，但验证准确率没有在p％的周期里上升速率超过设定阈值并且验证准确率距100％差值没有在设定范围内，且开始下降，表示模型过拟合；

滑动平均：

计算训练损失和验证损失在一定周期范围内的滑动平均，每次添加一个新的周期并删除最旧的周期，监测训练损失和验证损失两者损失趋势，并判断训练损失和验证损失之间的差异是否增大，如果增大超过设定阈值，表示模型过拟合；

可视化分析：

绘制训练损失、验证损失、训练准确率和验证准确率的图表，查看各指标随时间的变化趋势，判断是否出现过拟合；

步骤3‑3；令DNN模型的状态与预定义的错误条件相匹配，报告DNN模型中的错误，并指出其发生的位置。