大家好，欢迎来到IT知识分享网。
0. 前言
我们已经通过函数逼近问题学习了深度学习 ( Deep learning, DL) 模型手动超参数优化 (Hyperparameter Optimization, HPO) 的方法，并使用不同的超参数生成比较结果。我们已经知道了，手动超参数优化极其耗时。目前，有许多工具可以自动执行 HPO，我们可以使用这些工具与进化计算 (Evolutionary Computation, EC) 方法的基准比较，但是为了深入了解它们背后的原理，我们将详细介绍自动搜索过程。
1. 随机搜索
随机搜索超参数优化 (Hyperparameter Optimization, HPO) ，是从给定范围内的已知超参数集中随机取样值，然后评估有效性的过程。随机搜索的目标是最终找到最佳或所需的解决方案。这个过程类似于有人戴上眼罩扔飞镖，希望能命中靶心。戴眼罩的人可能不会在几次投掷中命中靶心，但是在多次投掷中，也可能会命中靶心。
2. 将随机搜索应用于超参数优化
在本节中
免责声明：本站所有文章内容,图片，视频等均是来源于用户投稿和互联网及文摘转载整编而成，不代表本站观点，不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益，请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权，请联系删除，如若转载，请注明出处：https://haidsoft.com/125482.html
