參數(shù)VS超參數(shù)（Parameters vs Hyperparameters）

想要你的深度神經(jīng)網(wǎng)絡(luò)起很好的效果，你還需要規(guī)劃好你的參數(shù)以及超參數(shù)。

什么是超參數(shù)？

比如算法中的learning rate a（學(xué)習(xí)率）、iterations（梯度下降法循環(huán)的數(shù)量）、L（隱藏層數(shù)目）、n^（［l］）（隱藏層單元數(shù)目）、choice of activation function（激活函數(shù)的選擇）都需要你來設(shè)置，這些數(shù)字實際上控制了最后的參數(shù)W和b的值，所以它們被稱作超參數(shù)。

實際上深度學(xué)習(xí)有很多不同的超參數(shù)，之后我們也會介紹一些其他的超參數(shù)，如momentum、mini batch size、regularization parameters等等。

如何尋找超參數(shù)的最優(yōu)值？

走Idea—Code—Experiment—Idea這個循環(huán)，嘗試各種不同的參數(shù)，實現(xiàn)模型并觀察是否成功，然后再迭代。

今天的深度學(xué)習(xí)應(yīng)用領(lǐng)域，還是很經(jīng)驗性的過程，通常你有個想法，比如你可能大致知道一個最好的學(xué)習(xí)率值，可能說a=0.01最好，我會想先試試看，然后你可以實際試一下，訓(xùn)練一下看看效果如何。然后基于嘗試的結(jié)果你會發(fā)現(xiàn)，你覺得學(xué)習(xí)率設(shè)定再提高到0.05會比較好。如果你不確定什么值是最好的，你大可以先試試一個學(xué)習(xí)率a，再看看損失函數(shù)J的值有沒有下降。

然后你可以試一試大一些的值，然后發(fā)現(xiàn)損失函數(shù)的值增加并發(fā)散了。然后可能試試其他數(shù)，看結(jié)果是否下降的很快或者收斂到在更高的位置。你可能嘗試不同的a并觀察損失函數(shù)J這么變了，試試一組值，然后可能損失函數(shù)變成這樣，這個a值會加快學(xué)習(xí)過程，并且收斂在更低的損失函數(shù)值上（箭頭標(biāo)識），我就用這個a值了。

在前面，還有很多不同的超參數(shù)。然而，當(dāng)你開始開發(fā)新應(yīng)用時，預(yù)先很難確切知道，究竟超參數(shù)的最優(yōu)值應(yīng)該是什么。所以通常，你必須嘗試很多不同的值，并走這個循環(huán)，試試各種參數(shù)。試試看5個隱藏層，這個數(shù)目的隱藏單元，實現(xiàn)模型并觀察是否成功，然后再迭代。

另一個近來深度學(xué)習(xí)的影響是它用于解決很多問題，從計算機視覺到語音識別，到自然語言處理，到很多結(jié)構(gòu)化的數(shù)據(jù)應(yīng)用，比如網(wǎng)絡(luò)廣告或是網(wǎng)頁搜索或產(chǎn)品推薦等等。

我所看到過的就有很多其中一個領(lǐng)域的研究員，這些領(lǐng)域中的一個，嘗試了不同的設(shè)置，有時候這種設(shè)置超參數(shù)的直覺可以推廣，但有時又不會。所以我經(jīng)常建議人們，特別是剛開始應(yīng)用于新問題的人們，去試一定范圍的值看看結(jié)果如何。

然后在后面的筆記中，我們會用更系統(tǒng)的方法，用系統(tǒng)性的嘗試各種超參數(shù)取值。

然后其次，甚至是你已經(jīng)用了很久的模型，可能你在做網(wǎng)絡(luò)廣告應(yīng)用，在你開發(fā)途中，很有可能學(xué)習(xí)率的最優(yōu)數(shù)值或是其他超參數(shù)的最優(yōu)值是會變的，所以即使你每天都在用當(dāng)前最優(yōu)的參數(shù)調(diào)試你的系統(tǒng)，你還是會發(fā)現(xiàn)，最優(yōu)值過一年就會變化，因為電腦的基礎(chǔ)設(shè)施，CPU或是GPU可能會變化很大。

所以有一條經(jīng)驗規(guī)律可能每幾個月就會變。如果你所解決的問題需要很多年時間，只要經(jīng)常試試不同的超參數(shù)，勤于檢驗結(jié)果，看看有沒有更好的超參數(shù)數(shù)值，相信你慢慢會得到設(shè)定超參數(shù)的直覺，知道你的問題最好用什么數(shù)值。

這可能的確是深度學(xué)習(xí)比較讓人不滿的一部分，也就是你必須嘗試很多次不同可能性。

但參數(shù)設(shè)定這個領(lǐng)域，深度學(xué)習(xí)研究還在進步中，所以可能過段時間就會有更好的方法決定超參數(shù)的值，也很有可能由于CPU、GPU、網(wǎng)絡(luò)和數(shù)據(jù)都在變化，這樣的指南可能只會在一段時間內(nèi)起作用，只要你不斷嘗試，并且嘗試保留交叉檢驗或類似的檢驗方法，然后挑一個對你的問題效果比較好的數(shù)值。

近來受深度學(xué)習(xí)影響，很多領(lǐng)域發(fā)生了變化，從計算機視覺到語音識別到自然語言處理到很多結(jié)構(gòu)化的數(shù)據(jù)應(yīng)用，比如網(wǎng)絡(luò)廣告、網(wǎng)頁搜索、產(chǎn)品推薦等等；

有些同一領(lǐng)域設(shè)置超參數(shù)的直覺可以推廣，但有時又不可以，特別是那些剛開始研究新問題的人們應(yīng)該去嘗試一定范圍內(nèi)的結(jié)果如何，甚至那些用了很久的模型得學(xué)習(xí)率或是其他超參數(shù)的最優(yōu)值也有可能會改變。

有一條經(jīng)驗規(guī)律：經(jīng)常試試不同的超參數(shù)，勤于檢查結(jié)果，看看有沒有更好的超參數(shù)取值，你將會得到設(shè)定超參數(shù)的直覺。