在机器学习的工程化实际应用中，超参优化是个非常重要的过程。设置不当的超参会影响最终的效果。
一般来讲，人工可以对超参数进行一定的经验值设置。但是参数很多时候是互相关联的。比如你用来分布式训练的节点数，和初始Learning Rate，和Batch Size一定程度决定了单位数据量上的实际学习率。
所以，需要一定的相对自动化（程序化）的手段来调参。
1、程序化手段：（程序化：训练，评估，优化）
需要先提供一些人工设置的超参，以及其大致搜索范围。
提供评估目标（函数），以让程序评估效果好坏。
2、常用算法：
Bayesian Opt，使用贝叶斯优化法来搜索可能的超参空间。Bayesian Optimization
Grid Search，在空间内进行网格搜索
Random Search，在空间内进行随机搜索
网友评论