說到超參，不得不先提到參數(shù)，這兩個是有本質區(qū)別的。對于神經網絡而言，學習率、batchsize等都是超參，而參數(shù)就是網絡中所有的weight。可以這樣簡單的區(qū)分超參和參數(shù)，在模型訓練前需要固定的參數(shù)就是超參，而參數(shù)受到訓練數(shù)據(jù)和超參的影響，按照優(yōu)化目標逐步更新，到最后得到該超參下的最優(yōu)模型。超參的重要性不言而喻，那么如何正確的設定超參呢？

如何選擇好的超參

• 手動調超參: 用這個方法，需要人工按照試驗過程中得出的經驗人工指定各個超參的組合，這個過程冗長且乏味，如果有大量的超參，組合是指數(shù)級別增加，手動調是不切實際的。
• 自動調超參: 用這個方法，超參會用一種算法自動優(yōu)化。

調整超參的方法

Random Search

先給出每個超參可能的值，然后每次迭代使用這些值的隨機組合訓練模型，參考最終的評估指標，選擇最好效果的超參。

Grid Search
網格搜索大家也并不陌生，同隨機搜索不同的是，會按照一種特定的順序選擇超參，參考最終的評估指標，選擇最好的超參。如下圖所示：

貝葉斯優(yōu)化

和用梯度下降方法找到最優(yōu)參數(shù)降低模型loss類似，找正確的超參也是一個優(yōu)化問題，貝葉斯優(yōu)化幫助我們在較少的嘗試次數(shù)下找到最優(yōu)解。通過已經觀測到的提升的細節(jié)，定義一個函數(shù)，知道超參的采樣。

詳情見 https://en.wikipedia.org/wiki/Bayesian_optimization。

Tree-structured Parzen estimators (TPE)

這個方法和貝葉斯方法類似，并不是對p(y|x)進行建模(x表示超參，y表示我們要優(yōu)化的模型)，而是對p(x|y)和p(y)進行建模。TPE的缺點就是該方法沒有描述各個超參之間的聯(lián)系，該方法在實踐效果非常好。

詳情見 https://optunity.readthedocs.io/en/latest/user/solvers/TPE.html。

超參調參算法

Hyperband

這是一種隨機搜索的方法，但是有一些探索理論的指導，從而合理分配搜索各個參數(shù)的時間。

詳情見論文《Hyperband: A Novel Bandit-Based Approach to Hyperparameter Optimization》 https://arxiv.org/pdf/1603.06560.pdf

Population-based training (PBT)

這種方法集成了2種常用的參數(shù)搜索方法(隨機搜索，人工搜索)，用于神經網絡模型調超參。PBT先用隨機參數(shù)并行訓練多個模型，這些模型并不是相互獨立的。該算法使用population的信息去提煉超參，并決定用哪種參數(shù)。

詳情見 https://deepmind.com/blog/article/population-based-training-neural-networks

BOHB

混合貝葉斯方法和Hyperband方法進行超參搜索。

詳情見 https://www.automl.org/blog_bohb/

超參利器

• Scikit-learn(grid search, random search): https://scikit-learn.org/stable/
• Hyperopt: http://hyperopt.github.io/hyperopt/
• Scikit-Optimize: https://scikit-optimize.github.io/
• Optuna: https://optuna.org/
• Ray.tune: https://docs.ray.io/en/latest/tune/index.html

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的模型调参指南北东西的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。