本文主要是介绍深度学习面试1：调参绝杀技，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
深度学习者若调得一手好参，便可行走江湖，曾经有这样一则新闻，天桥摆摊调参一次50元，想着都很美，毕竟比贴手机膜赚的多的多，那么想要在行业混，首先会调得一手好参，什么是要调的参数，如何调参？如何评估调的参数好呢？。。。。。
什么是要调的参数？
我想你第一反映学习率，毕竟学习率的大小决定你选择的模型是否到达局部最优，如果设置大了，模型可能越过最优值，或者在某个区间反复循环，如果设置小了，模型可能在某个相对平缓且不是局部最小点停止，这里我指的是最初的随机梯度下降法，固定大小的学习率会出现的问题。为了解决这个问题，后面出现了各种优化器克服陷入死循环，取得不是局部最优值的问题，比如下面这些优化器都从不同的角度解决了相应的问题，后面我会逐个分析各个优化器的优缺点。
除了学习率，还有迭代次数、batch、dropout的参数，网络模型构建的参数：包含卷积核的大小，卷积层的深度，卷积池的大小，RNN细胞的个数、RNN的层数等；如果使用logistic.svm等机器学习方法，正则化的系数
这篇关于深度学习面试1：调参绝杀技的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
