《python深度学习》笔记---7.3.2、超参数优化
一、总结
一句话总结：
【架构层面的参数叫作超参数】：这些在架构层面的参数叫 作超参数（hyperparameter），以便将其与模型参数区分开来，后者通过反向传播进行训练。
1、神经网络中的 超参数是什么，有哪些？
应该堆叠多少层？每层应该 包含多少个单元或过滤器？激活应该使用 relu 还是其他函数？在某一层之后是否应该使用 BatchNormalization ？应该使用多大的dropout 比率？还有很多。
【架构层面的参数叫作超参数】：这些在架构层面的参数叫 作超参数（hyperparameter），以便将其与模型参数区分开来，后者通过反向传播进行训练。
2、整天调节超参数不应该是人类的工作，最好留给机器去做？
【超参数自动优化领域】：因此，你需要制定一个原则，系统性地自动探索可能的决策空间。你需要搜索架构空间， 并根据经验找到性能最佳的架构。这正是超参数自动优化领域的内容。这个领域是一个完整的 研究领域，而且很重要。
3、训练模型权重相对简单：在小批量数据上计算损失函数，然后用反向传播算法让权重向正 确的方向移动。与此相反，更新超参数则非常具有挑战性。我们来考虑以下两点？
【计算反馈信号（这组超参数在这个任务上是否得到了一个高性能的模型）的计算代价可能非常高】，它需要在数据集上创建一个新模型并从头开始训练。
【超参数必须依赖不使用梯度的优化方法】：超参数空间通常由许多离散的决定组成，因而既不是连续的，也不是可微的。因此，你 通常不能在超参数空间中做梯度下降。相反，你必须依赖不使用梯度的优化方法，而这 些方法的效率比梯度下降要低很多
4、Hyperopt？
有一种工具确实比随机搜索更好，它就是 Hyperopt。它是一个用于超参数优化的Python 库，其内部使用Parzen 估计器的树来预测哪组超 参数可能会得到好的结果。
5、在进行大规模超参数自动优化时，有一个重要的问题需要牢记，那就是验证集过拟合？
【是在验证数据上训练超参数】：因为你是使用验证数据计算出一个信号，然后根据这个信号更新超参数，所以你实际上 是在验证数据上训练超参数，很快会对验证数据过拟合。请始终记住这一点。
6、总之，超参数优化是一项强大的技术，想要在任何任务上获得最先进的模型或者赢得机器 学习竞赛，这项技术都必不可少？
【就像特征的由手动设计到深度学习自动完成特征工程，超参数的设置同样应该如此】
思考一下：曾经人们手动设计特征，然后输入到浅层机器学 习模型中，这肯定不是最优的。现在，深度学习能够自动完成分层特征工程的任务，这些特征 都是利用反馈信号学到的，而不是手动调节的，事情本来就应该如此。同样，你也不应该手动 设计模型架构，而是应该按照某种原则对其进行最优化。
二、内容在总结中
博客对应课程的视频位置：