李沐动手学习深度学习——4.2练习

1. 在所有其他参数保持不变的情况下，更改超参数num_hiddens的值，并查看此超参数的变化对结果有何影响。确定此超参数的最佳值。

通过改变隐藏层的数量，导致就是函数拟合复杂度下降，隐藏层过多可能导致过拟合，而过少导致欠拟合。
我们将层数改为128可得：

2. 尝试添加更多的隐藏层，并查看它对结果有何影响。

过拟合，导致测试机精确度下降。

3. 改变学习速率会如何影响结果？保持模型架构和其他超参数（包括轮数）不变，学习率设置为多少会带来最好的结果？

过高的学习率导致，梯度跨度过大，使得降低不到对应的驻点。
过低的学习率导致训练缓慢，需要增加epoch。
在训练轮数不变的情况下，我们可以通过for 设置不同的学习率找出最合适的学习率。一般来说设置为0.01或者0.1足以

4. 通过对所有超参数（学习率、轮数、隐藏层数、每层的隐藏单元数）进行联合优化，可以得到的最佳结果是什么？

跑了一次学习率lr=0.01的情况：

需要大量的训练，但是目前我训练结果是学习率lr=0.1、轮数是num_epochs=10，隐藏层数为1，隐藏层数单元num_hiddens=128。

5. 描述为什么涉及多个超参数更具挑战性。

因为组合的情况更多，当层数越多时，训练时间也更多，这玩意就是炼丹了，看你自己的GPU还有时间、运气。

6. 如果想要构建多个超参数的搜索方法，请想出一个聪明的策略。

套用for 循环暴力破解，时间上肯定慢的要死，我们可以先固定其他变量，挑选一个变量寻找最优解，以此类推对所有的超参数这样使用，但是这种做法肯定不是最优的，只是能够较好的找出比较好的超参数。

由于学校穷逼所以没有闲置GPU服务器，所有的模型只能在colab上进行运行，其中遇到了d2l的版本对应问题，所以对于d2l.train_ch3跑不起来，只能使用自写进行替代如下：

import torch.nn
from d2l import torch as d2l
from IPython import display

class Accumulator:
    """
    在n个变量上累加
    """
    def __init__(self, n):
        self.data = [0.0] * n       # 创建一个长度为 n 的列表，初始化所有元素为0.0。

    def add(self, *args):           # 累加
        self.data = [a + float(b) for a, b in zip(self.data, args)]

    def reset(self):                # 重置累加器的状态，将所有元素重置为0.0
        self.data = [0.0] * len(self.data)

    def __getitem__(self, idx):     # 获取所有数据
        return self.data[idx]


def accuracy(y_hat, y):
    """
    计算正确的数量
    :param y_hat:
    :param y:
    :return:
    """
    if len(y_hat.shape) > 1 and y_hat.shape[1] > 1:
        y_hat = y_hat.argmax(axis=1)            # 在每行中找到最大值的索引，以确定每个样本的预测类别
    cmp = y_hat.type(y.dtype