前言
以下内容是个人学习之后的感悟，转载请注明出处~
超参数调试
在深度学习中，超参数有很多，比如学习率α、使用momentum或Adam优化算法的参数（β1，β2，ε）、层数layers、不同层隐藏
单元数hidden units、学习率衰退、mini=batch的大小等。其中一些超参数比其他参数重要，其优先级可以分为以下几级，如图，红色
框最优先，橙色次之，紫色再次之，最后没有框住的一般直接取经验值（当然你也可以自己取）。
那么如何来调试超参数呢？
以下图的2维超参数为例（即只调两个超参数，当然有时候需要调的超参数很多时，就需要很多维，不便画出）首先可以在一定的范
围内对这两个超参数随机取值（如图中黑点），若发现其中几个黑点的效果最好，则缩小范围（即蓝色方框）进行细化参数，寻找最适合
的超参数。此法从粗略搜索再到精密搜索，可以达到很好的效果。
上面提到的随机取值，并非是在有效值范围内的随机均匀取值，而是选择合适的标尺。比如对于隐藏单元数n和隐藏层数L，如下图所
示，其合适的标尺恰好是在有效范围内均匀取值，可以实现很好的调试效果。
然而，这对某些超参数是不适用的，比如学习率α，其范围在0.0001到1之间，有经验的我们怀疑α有很大可能在0.0001到0.1之间，但
是如果随机均匀取值，那么在0.1到1之间将用去90%的资源，这看上去不对啊，资源没有用在刀刃上。因此，我们需要选择更加合适的标
尺——对数标尺，分别取0.0001、0.001、0.01、0.1、1，这样可以充分利用资源，达到理想的效果。当然，如果你怀疑α是在0.9到0.999之
间，那么（1-α）就在0.1到0.001之间，其实做法是一样的。
有时候，你训练好超参数不久，你的数据在逐渐的改变，意味着之前训练好的超参数不再适用于现今的数据，那么该如何做呢？我们需
要经常照看模型。一般有以下两种方式，第一种是只有一个模型，如下图中左边所示，该模型的代价函数随时间的变化而变化，我们需要不
断调整其超参数，使曲线不上升；第二种就是建许多个模型，如下图中右边所示，每个模型的代价函数随时间的变化而变化，我们只需要挑
当时表现比较好的模型用于预测数据即可。可以看出，在计算量允许的情况下，第二种方式是非常好的。
以上是全部内容，如果有什么地方不对，请在下面留言，谢谢~