dropout层_如何调参2：利用tSNE降维实现模型隐藏层的可视化

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。