1、超参数

超参数是在开始学习过程之前设置值的参数，而不是通过训练得到的参数数据。通常情况下，在机器学习过程中需要对超参数进行优化，给学习器选择一组最优超参数，以提高学习的性能和效果。比如，树的数量或树的深度，学习率（多种模式）以及k均值聚类中的簇数等都是超参数。

与超参数区别的概念是参数，参数是模型训练过程中学习到的一部分，比如回归系数，神经网络权重等。简单的描述参数是模型训练获得的，超参数是人工配置参数（本质上是参数的参数，每次改变超参数，模型都要重新训练）。

包括：

• 网络结构参数：几层、每层宽度、激活函数
• 训练参数：batch_size:每一次训练选用数据比例、学习率、学习率衰减算法。

2、为什么要超参数搜索

与机器学习模型不同，深度学习模型里面充满了各种超参数。而且，并非所有参数都能对模型的学习过程产生同样的贡献。考虑到这种额外的复杂性，在一个多维空间中找到合适的参数变量成为了挑战。幸运的是，我们有不同的策略和工具可以解决搜索问题。

每一位研究人员都希望在现有的资源条件下，找到最佳的模型。通常情况下，他们会在开发的最后阶段尝试一种搜索策略，这可能会有助于改进他们辛辛苦训练出来的模型。

此外，在半自动/全自动深度学习过程中，超参数搜索也是的一个非常重要的阶段。

那反观我们在初学阶段，一般都是随便试几个参数，然后挑一挑看看哪个好，这有一定的不确定性，如果手动调，太耗费时间。如果是有经验的大佬，这就会很轻松了，凭借经验就知道参数应该如何设置。这里对于小白，还是老老实实用超参数搜索吧。

3、搜索策略

3.1 网格搜索

网格搜索，是一种简单尝试所有可能配置的方法，通俗来说就是提前设置若干组参数，然后for函数一个一个试。

它的工作流程是这样的：

定义一个N维的网格，其中每一个映射都代表一个超参数，例如，n＝（learning_rate, dropout_rate, batch_size）

对于每个维度，定义可能的取值范围: 例如，batch_size = [4, 8, 16, 32, 64, 128, 256]

搜索所有可能的配置，等待结果以建立最佳配置: 例如，C1= (0.1, 0.3, 4) ->acc = 92%,C2= (0.1, 0.35, 4) ->acc = 92.3%···

这种策略没有考虑到计算背景，但这意味着可用的计算资源越多，那么同时可以尝试的猜测就会越多。它的痛点被称为维度灾难，意思是我们增加的维度越多，搜索就会变得越困难，最终导致策略失败。

当维度小于或等于4时，常用这种方法。但是在实践中，即使保证最后找到最佳配置，它仍然不可取，而是应该使用随机搜索。

3.2 随机搜索

几年前，Bergstra和Bengio发表了一篇论文，论证了网格搜索的效率低下。

网格搜索和随机搜索之间唯一的区别在于策略周期的第一步：随机搜索在配置空间上随机选择点，随机产生参数，可搜索空间更大。

3.3 遗传算法搜索

3.4 启发式搜索

• 研究热点 AutoML
• 使用循环神经网路生成参数
• 使用强化学习来进行反馈，使用模型来训练生成参数