李宏毅教授调参课程笔记总结

探讨了在机器学习中效果相近的超参数组合及基于模型的超参数优化策略,涉及利用回归模型寻找最佳配置,提出了使用RNN设计CNN架构以提高准确性,以及激活函数与学习率的选择。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Hyperparameters Tuning

 

效果好的几组参数可能效果差别不大

 

Model-based Hyperparameter Optimization

  • 根据采样数据构建一个回归模型
  • 寻找一个置信度大且准确率高的点,但同时需要进行一定程度的探索

很大程度决定于回归模型的好坏

 

可以将回归模型改为RNN,输出即为CNN的架构,再用CNN的accuracy作为回报,努力使得RNN设计出的架构能得到更大的回报

 

决定激活函数:使其输出应该使用哪个unary函数

 

决定learning rate:

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值