【调参01】如何使用网格搜索寻找最佳超参数配置
本文介绍了如何使用网格搜索寻找网络的最佳超参数配置。
文章目录1. 准备数据集2. 问题建模2.1 训练集测试集拆分2.2 转化为监督学习问题2.3 前向验证2.4 重复评估2.5 网格搜索2.6 实例化3. 使用网格搜索寻找CNN最佳超参数3.1 超参数配置3.2 消除季节性影响3.3 问题建模3.4 完整代码代码环境：
python -3.7.6
tensorflow -2.1.0
假设现在已经定义好了网络模型，但需要对模型中的超参数进行微调。常用的方法是穷尽网格搜索（Exhaustive Grid Search）和随机参数优化（Randomized Parameter Optimization）模型超参数。
顾名思义穷尽网格搜索即将所有需要选择的超参数进行组合，并将每一种组合都用于评估，优点是可以为每种参数组合测试性能；缺点是浪费计算资源，消耗时较长，在使用深度学习模型训练大规模数据集时，可能并不适用。随机参数优化是随机的选择参数组合进行评估，优点是添加参数数量也不会影响其性能；缺点是可能会漏掉最佳的参数组合。
为了便于演示，本文通过单变量时间序列建模的参数搜索方法，介绍了网格搜索的建模流程。清楚了这个流程，也就很容易扩展到多变量时间序列建模问题。
1. 准备数据集1. 首先，从gayhub，打错了，github下载文件：点击此处
原创文章 203获赞 714访问量 6万+
关注
私信
展开阅读全文
作者：datamonday
