训练深度学习模型需要付出大量的努力和时间，深度学习调参是需要人工参与，且需要大量人工经验。
深度学习专家与入门学习者在经验上存在较大差异，本文将介绍深度学习调参的基础流程。
步骤1：选择网络结构
在开始一个新项目时，尝试重用一个已经可用的模型。
- 选择完善的、常用的模型架构开始工作，然后开始构建自定义模型；
- 设置模型架构的各种超参数，用于确定模型的大小和其他细节；
- 网络结构应该考虑选择模型超参数的问题。可以一篇类似论文中推荐的网络结构；
步骤2：选择优化器
从问题类型代码中最流行的优化器开始。
- 在所有问题和网络模型中，没有优化器是绝对最好的。
- 建议使用成熟、流行的优化器，尤其是在开始新项目时。
- 从简单的优化器开始，然后逐步调整优化器超参数。
步骤3：选择批大小
批量大小决定训练速度，不应该直接用来调整验证集的性能。
- 理想的批量大小将是可用硬件支持的最大批量大小，批量大小是决定训练时间和计算资源消耗的关键因素。
- 增加批大小可以减少开发周期，可以测试更多想法，批量大小不应被视为验证集性能的可调超参数。
- 大部分情况下，只要超参数都经过良好调整并且训练步数足够，使用任何批量大小都应该可以获得相同的最终性能。
步骤4：初始化超参数
找到一个简单、相对快速、资源消耗相对较低的初始化方法，以获得“合理”的结果。
- 确定初始化将需要一些手动配置，避免花里胡哨的东西
- 选择快速且消耗最少资源的初始配置
- 可以减少训练周期来尝试更多实验
步骤5：调整并优化模型
从一个简单的配置开始，逐步进行改进，同时深入了解问题，确保任何改进都有效。
- 可以通过使用自动搜索追求性能最大化，但这不是一个实用的选择。
- 大多数自动搜索算法都依赖于手动设计的搜索空间，该搜索空间定义了要搜索的配置集，搜索空间非常重要。
- 随着不断尝试，会找到越来越好的配置，因此“最佳”模型将不断改进。
步骤6：分析实验结果
除了努力实现每组实验外，如果发现问题，需要分析实验结果
- 每组实验都有一个特定的目标，如果我们提出正确的问题，我们通常会需要改进的地方。
- 实验结果取决于实验是否充足，如搜索空间是否足够大？样本量是否足够？
参考资料
-
https://github.com/google-research/tuning_playbook
-
https://neptune.ai/blog/hyperparameter-tuning-in-python-complete-guide
-
https://www.coursera.org/learn/deep-neural-network
【竞赛报名/项目咨询+微信：mollywei007】
