【机器学习小常识】“parameters(参数)” 与 “hyperparameters(超参数)”的概念及区别详解

目录

1、参数与超参数概念

1.什么是参数

2.什么是超参数

2、二者有什么区别

1.得到方式不同

2.影响因素不同

3.可控程度不同


说在前面的话

有些概念其实,很纠结,它到底是属于机器学习呢,还是属于深度学习呢?比如说,分类与回归,这个有些是很难界定的,有人说,它属于深度学习,又有人说,它属于机器学习。

其实争论这些,好像并无太大意义,就像一个男生对一个姑娘宠溺的说:这天下,是你的;而你,是我的。

所以,其实不管这个概念属于谁,深度学习是属于机器学习的。深度学习作为机器学习比较完善的一个分支,即便真正是属于深度学习的概念,那便也是属于机器学习罢。

所以我们就不纠结这个是机器学习小常识,还是深度学习小常识,我一概写作机器学习,因为我们的重点在于这些小常识,我们应该了解掌握它。

如果你有什么问题,希望跟我能够一起交流,除了通过博客交流外,欢迎你加入我的QQ群,一起交流有关于机器学习、深度学习、计算机视觉有关内容。目前我并未确定具体的研究方向,所以现在 处于广泛涉猎阶段,希望我们能够一起沟通。下图是我的群二维码:

今天要给大家分享的是参数与超参数。

敲黑板

重点来啦重点来啦!!!

1、参数与超参数概念

1.什么是参数

参数,也叫参变量,是一个变量。我们在研究当前问题的时候,关心某几个变量的变化以及它们之间的相互关系,其中有一个或一些叫自变量,另一个或另一些叫因变量。如果我们引入一个或一些另外的变量来描述自变量与因变量的变化,引入的变量本来并不是当前问题必须研究的变量,我们把这样的变量叫做参变量或参数。

统计学中,描述总体特征的概括性数字度量,它是研究者想要了解的总体的某种特征值。总体未知的指标叫做参数。

机器学习领域,参数还有自己独特的含义,由模型通过学习得到的变量,叫参数,比如权重w和偏置b。

2.什么是超参数

在机器学习的上下文中,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,需要对超参数进行优化,给学习机选择一组最优超参数,以提高学习的性能和效果。

2、二者有什么区别

1.得到方式不同

参数是通过模型训练得到的,超参数是人为设定得到的。

我们要人为设定一些数据,这些数据是超参数,根据我们设定的数据和模型,得到的数据是参数。

以深度学习训练为例,训练图像数据集,我们要提前设定迭代次数,学习速率,这些数据是超参数;我们设定好以后,模型自己训练会得到权重,这个数据是参数。

2.影响因素不同

超参数来源于人的经验,会受到硬件的制约,例如学习速率,如果电脑配置不行,那速率太快电脑带不起来,CPU和GPU处理图像时速率也有差别。

参数主要受模型的影响,不同的模型,训练得到的结果差距很大,例如YOLO是实时监测,速度快,但是准确度有所下降。R-CNN速度没有YOLO快,但是在识别准确度上要更好。那这两个模型训练得到的参数是有很大不同的。

3.可控程度不同

超参数是人为设定,可控性高,参数与模型有关,得到的结果有时候与期望有差距,可控性较差。

  • 8
    点赞
  • 32
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值