为什么人工智能工程师被戏称为“调参侠”？

确实，现在做人工智能方向的工程师，有不少被称为“调参侠”，但也并不全是。

以我自己为例，我做cv方向（计算机视觉）的， 调参在我日常工作中占的比例并不大。

在CV这块，除了超参数外，影响模型效果的主要还是要网络结构、数据和损失函数，这三方面确定下来后，调参基本花不了多少时间。

 

回归正题！

 

调参侠，到底调什么参？

在人工智能里面，参数大致可分为2大类：

1. 参数(parameters)/模型参数：由模型通过学习得到的变量，比如权重w和偏置b，这个多半是不能调节的，它是由神经网络自己学习出来的。

2. 超参数：在机器学习中，超参数是在神经网络训练之前设置值的参数，而不是通过训练得到的参数数据。常见的有学习率、迭代次数、隐藏层的层数、每层神经元的个数等。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。这一般是根据经验进行设定，影响到权重w和偏置b大小的数值。

 

为什么会被称为“调参侠”？

主要原因有以下2个：

1. 多半是刚入门的算法工程师做的事情，他们不是很懂神经网络的结构、数据分布等等，只能通过调整超参数，以期望获得较好的结果，这样有时候是可行的；

2. 更重要的原因是，GitHub上开源了很多模型，并附上了预训练参数，如常用的检测、分割、分类等等，这些模型都非常成熟，大部分直接调用就可以，然后根据自己的训练数据，稍加修改，就可以得到非常好的结果。公司只要结果，不要求创新，开源项目已经可以做到这点了，所以大多数只要调参即可。

怎么避免成为“调参侠”

目前AI人才竞争越来越激烈，“调参侠”的时代已慢慢过去，这些事情其实根本不需要AI工程师来做，未来的研发工程师就可以承担这些了！ 几年前如果熟练使用TensorFlow，同时掌握基本的AI算法就可以很容易找到一份高薪的工作，但现在不一样了，AI岗位的要求越来越高，对知识的深度也提出了更高的要求。

要想跟上时代，得武装自己，才能不被淘汰。

对于真正的人工智能工程师而言，他们往往是从数据和特征下手的，同时还需要丰富的行业经验。一定要记住一句行业内的谚语，数据和特征才决定算法 的上限，而选择的算法和参数只是决定了已逼近这个上限的速度。

 

 

--------------------------------------------------------------------------------------------------------------

 

 

人工智能领域，还有一群从业者躲在墙角瑟瑟发抖，那就是大家说的调参师。一个神经网络从理论到落地，有这么几个阶段，一个是模型构建，就是把别人论文里的网络搭建起来。然后是模型训练，把自己需要的数据准备好，然后部署到显卡上去跑，这个过程有很多参数要调，很玄，属于老中医看病，全靠经验，妙，不可言。一名调参师的日常是这样的：

调参师接到需求，第一件事就是去github和各种框架的model zoo上当搬运工。调参师没有设计网络的能力，如果github上没有，就只能看论文动手撸了，不仅费时费力，出了bug还得到处求人。

模型搭好了，调参师开始彻夜整理数据。你果哥有句话常常挂在嘴上，就是有多少人工，就有多少智能。很多时候大家用的模型是一样的，你牛逼就牛逼在有高质量的标注数据。实在没有？威胁老板买买买啊。

数据准备好了，调参师就开始调参了。嗯，先用默认值来一遍，不行，试试小一点的LR呢？不行，换个initializer试试？艾玛，一不小心过拟合了，快快快，加大正则，加大正则还有救。