對(duì)于很多算法工程師來說，超參數(shù)調(diào)優(yōu)是件非常頭疼的事，這項(xiàng)工作比較玄學(xué)。除了根據(jù)經(jīng)驗(yàn)設(shè)定所謂的“合理值”之外，一般很難找到合理的方法去尋找超參數(shù)的最優(yōu)值。而與此同時(shí)，超參數(shù)對(duì)于模型效果的影響又至關(guān)重要。那么有沒有一些可行的辦法進(jìn)行超參數(shù)調(diào)優(yōu)呢？

超參數(shù)調(diào)優(yōu)的方法

為了進(jìn)行超參數(shù)調(diào)優(yōu)，我們一般會(huì)采用網(wǎng)格搜索、隨機(jī)搜索以及貝葉斯等算法。在具體介紹算法之前，需要明確超參數(shù)搜索算法一般包括哪幾個(gè)要素。一是目標(biāo)函數(shù)，即算法需要最大化/最小化的目標(biāo)；二是搜索范圍，一般通過上限和下限來確定；三是算法的其它參數(shù)，如搜索步長(zhǎng)等。

1. 網(wǎng)格搜索

網(wǎng)格搜索可能是最簡(jiǎn)單、應(yīng)用最廣泛的超參數(shù)搜索算法，它通過查找搜索范圍內(nèi)的所有的點(diǎn)來確定最優(yōu)值。如果采用較大的搜索范圍以及較小的步長(zhǎng)，網(wǎng)格搜索有很大的概率找到全局最優(yōu)值。然而，這種搜索方法十分消耗計(jì)算資源和時(shí)間，特別是需要調(diào)優(yōu)的超參數(shù)比較多的時(shí)候。因此，在實(shí)際應(yīng)用中，網(wǎng)格搜索法一般會(huì)先使用較廣的搜索范圍和較大的步長(zhǎng)，來尋找全局最優(yōu)值可能的位置；然后會(huì)逐漸縮小搜索范圍和步長(zhǎng)，來尋找更精確的最優(yōu)值。這種操作方案可以降低所需的時(shí)間和計(jì)算量，但由于目標(biāo)函數(shù)一般是非凸的，所以很可能會(huì)錯(cuò)過全局最優(yōu)值。

2. 隨機(jī)搜索

隨機(jī)搜索的思想與網(wǎng)格搜索比較相似，只是不再測(cè)試上界和下界之間的所有值，而是在搜索范圍中隨機(jī)選取樣本點(diǎn)。它的理論依據(jù)是，如果樣本點(diǎn)集足夠大，那么通過隨機(jī)采樣也能大概率地找到全局最優(yōu)值或其近似值。隨機(jī)搜索一般會(huì)比網(wǎng)格搜索要快一些，但是和網(wǎng)格搜索的快速版一樣，它的結(jié)果也是沒法保證的。

3. 貝葉斯優(yōu)化算法

貝葉斯優(yōu)化算法在尋找最優(yōu)最值參數(shù)時(shí)，采用了與網(wǎng)格搜索、隨機(jī)搜索完全不同的方法。網(wǎng)格搜索和隨機(jī)搜索在測(cè)試一個(gè)新點(diǎn)時(shí)，會(huì)忽略前一個(gè)點(diǎn)的信息；而貝葉斯優(yōu)化算法則充分利用了之前的信息。貝葉斯優(yōu)化算法通過對(duì)目標(biāo)函數(shù)形狀進(jìn)行學(xué)習(xí)，找到使目標(biāo)函數(shù)向全局最優(yōu)值提升的參數(shù)。具體來說，它學(xué)習(xí)目標(biāo)函數(shù)形狀的方法是，首先根據(jù)先驗(yàn)分布，假設(shè)一個(gè)搜索函數(shù)；然后，每一次使用新的采樣點(diǎn)來測(cè)試目標(biāo)函數(shù)時(shí)，利用這個(gè)信息來更新目標(biāo)函數(shù)的先驗(yàn)分布；最后，算法測(cè)試由后驗(yàn)分布給出的全局最值最可能出現(xiàn)的位置的點(diǎn)。對(duì)于貝葉斯優(yōu)化算法，有一個(gè)需要注意的地方，一旦找到一個(gè)局部最優(yōu)值，它會(huì)在該區(qū)域不斷采樣，所以很容易陷入局部最優(yōu)值。為了彌補(bǔ)這個(gè)缺陷，貝葉斯優(yōu)化算法會(huì)在探索和利用之間找到一個(gè)平衡點(diǎn)，“探索”就是在還未取樣的區(qū)域獲取采樣點(diǎn)；而“利用”則是根據(jù)后驗(yàn)分布在最可能出現(xiàn)全局最值的區(qū)域進(jìn)行采樣。