超参数有哪些调优方法？

为了进行超参数调优，我们一般会采用网格搜索，随机搜索，贝叶斯优化等算法。

在具体介绍算法之前，需要明确超参数搜索算法一般包括哪几个要素。一时目标函数，即算法需要最大化。最小化的目标。二十搜索范围，一般通过上限和下限来确定。三十算法的其他参数，如搜索步长。

网格搜索：

网格搜索可能是最简单，应用最广泛的超参数搜索算法，他通过查找搜索范围内的所以的点来确定最优值。如果采用较大的搜索范围及较小的步长，网格搜索很大概率找到全局最优值。然而这种搜索方案十分消耗计算资源和时间，特别是需要调优的超参数比较多的时候。

因此在实际应用过程中，网格搜索法一般会先使用较广的搜索范围和较大的步长，来找到全局最优值可能的位置；然后再缩小搜索范围和步长，来寻找更精确的最优值。这种操作方案可以降低所需的时间和计算量，但由于目标函数一般是非凸的，所以很可能会错过全局最优值。

 

随机搜索

随机搜索的思想与网络搜索比较相似，只是不再测试上界和下界之间所有值，而是在搜索范围内随机选取样本点。他的理论依据是，如果样本点集足够大，那么通过随机采样也能大概率地找到全局最优值或近似值。随机搜索一般会比网络搜索要快一些，但是和网格搜索快速版一样，他的结果是没有办法保证的。

 

贝叶斯优化算法

贝叶斯优化算法在寻找最优和最值参数时。采用了与网格搜索和随机搜索完全不同的方法。网格搜素和随机搜索在测试一个新点时，会忽略前一个点的信息，而贝叶斯优化算法则充分利用了之前的信息。贝叶斯优化算法通过对目标函数形状进行学习，找到使目标函数向全局最优值提升的参数。

具体来说，他学习目标函数的方法是，首先根据先验分布，假设一个搜索函数；然后，每一次使用心得采样点来测试目标函数时，利用这个信息来更新目标函数的先验分布；最后，算法测试油后验分布给出的全局最值可能出现的位置的点。对于贝叶斯优化算法，有一个需要注意的是，一旦找到可一个局部最优值，他会在该区域不断采样，所以很容易陷入局部最优值。为了弥补这个缺点，贝叶斯算法会在探索和利用之间找到一个平衡点，探索就是在还未取样的区域获取采样点，而利用则更急后验分布在最可能出现的全局最值区域进行采样、。