本文来自于网易云课堂

调试处理

神经网络的改变会涉及到许多不同的超参数的设置，对于超参数而言，如何找到一套好的设定呢？本节会学习一些系统的组织超参数调试过程的技巧。深度学习需要设置许多超参数，但这些超参数的设置是有优先级的，其中Adrew Ng认为α$\alpha$是需要调试的最重要的超参数，其次是β$\beta$，hidden units和mini-batch size，然后是layers和learning rate decay。如果应用Adam算法，β1${\beta }_1$，β2${\beta }_2$，ϵ$ϵ$基本上不会调整.。
那么该如何选择调试值呢？
在早些的机器学习算法中，如果有2个超参数，常见的做法是在网格中取点，然后系统的研究这些值。如下图所示，你可以尝试所有的25个点并选择合适的点。当参数的数量较少时，这个方法很实用。

在深度学习领域，Adrew Ng推荐采用随机选择点。用这些随机选择的点试验超参数的效果。之所以这么做的原因是，对于你要解决的问题你很难提前知道哪个超参数更重要。采用2个极端的例子，假如参数1很重要，参数2一点都不重要，那么采用格子的方法，可能怎么调节参数2都没什么效果，但参数1只有5个选择，但是对于随机选择点，参数1有25个选择。

对于大量参数，很难知道哪个更重要，随机取值表明探索重要超参数的潜在值。
当你给超参数取值时，另一个惯例是采用由粗略到精细的策略。在随机取值中，你可能发现某个区域的效果会比较好，那么接下来要做的就是放大这一区域并继续随机取值

虽然超参数的随机取值可以提升搜索效率，但这并不意味着随机均匀取值，而是选择合适的标尺来探究这些超参数，这很重要。


总结一下，在对数坐标上取值，取最小值的对数就得到a值，取最大值的对数就得到b值，所以在对数轴上的10a${10}^a$到10b${10}^b$区间取值，你可以在ab之间随机均匀的选取r值，然后把超参数设置为10r${10}^r$，这就是在对数轴上取值的过程。
如果你没有在超参数选择中做出正确的标尺决定，也别担心，即使你再线性标尺上均匀的取值，你也会得到还不错的结果。

实际超参数调整的时候有两种方式，熊猫方式(Pandas)和鱼子酱方式(Caviar)，熊猫每次生很少的宝宝，所以熊猫妈妈会对其精心呵护，而鱼类每次产卵会产生非常多的卵，比如一个亿，鱼妈妈不会精心照料哪一个，而只是寄希望于其中一些生存的好。对于实际调节也一样，如果你只能一次尝试一个，那就用熊猫方式，如果你的算力充足，可以尝试鱼子酱方式。