模型中除了在训练中自己更新的参数,需要在预先设置的参数称为超参数。大概有如下:bachsize,epoch,learniing rate,…
四种主要策略可用于搜索最佳配置:
1.Babysitting,又名试错(Trial & Error)
2.网格搜索(Grid Search)
3.随机搜索(Random Search)
4.贝叶斯优化(Bayesian Optimization)
1.Babysitting
Babysitting也被称为“试错”,为100%纯手工调参。
2.Grid Search
网格搜索可以遍历所有的配置方法。
流程如下:
定义一个N维的的空间,每一维代表一个超参数,如n={learning_rate, dropout_rate, batch_size}
对于某一维度设定相关的搜索范围如:learning rate={0.1,0.005,0.0001}
搜索空间中所有的可能,每一种可能会得到一个指标值,如acc等,也可以换其他的