![c8b70f98389bee243e14f7f94c4faeee.png](https://i-blog.csdnimg.cn/blog_migrate/948290846c704e8335f76fdfcf5fdc0b.jpeg)
1.前言
我在上一篇文章中,粗浅的描述了调参的基本框架。这里我要分享一个可以将高维数据降低到我们可视的2维或3维的技术:t-Distributed Stochastic Neighbor Embedding (t-SNE)。
调参关乎基于神经网络深度学习(CNN)所得模型性能的好坏。但是,神经网络是一个“黑盒子”,给定输入和参数后,我们只能观察到它的输出,而不能获得它内部隐藏层的性能信息。如果我们能将隐藏层的信息截取出来并降维可视化,那么我们将对当前神经网络有更加丰富的判断,从而指导我们调整网络的参数。