cnn调参技巧记录，好的参数不光可以加速模型收敛，而且可以有效的避免很多错误。当然在很多简单任务中可能完全随机的模型初始参数，简单的一些建议学习率以及动量都可以得到一个比较满意的结果，比如单一，简单的降质模型下的图像生成，类别简单少量的一些分类任务等，不好的初始化参数是可以应对简单任务的。但是对于复杂任务就很难了，因为初始化参数选择的不好，导致结果十分不可控。因为不好的初始化参数导致结果很不可靠，不管是loss还是估计值都不是预期的结果，所以很麻烦。比如差得模型参数，使得估计结果跟label差的很远，那么导致你不好去控制动量以及学习率等参数，这些参数不可控之后，中间训练结果就完全不好分析，比如loss的震荡，精度的长时间不提升。
所以，首先药确定比较靠谱的模型初始化参数，改模型参数需要得到的结果尽量跟label分布接近或者说靠近。
当有了好的模型初始化参数之后，那么就需要根据loss的反馈来确认好的学习率和动量一些单参数，因为这些参数不好同样会导致结果很不可控，好的学习率和动量必须要将模型在训练过程中的结果控制在label的分布下，或者跟label的分布类似。而且还要有鲁棒性，使得模型参数不能因为少量异常或者极端数据干扰模型参数，也就是说在异常数据下，学习率和动量不能使得模型参数变化过大，这样同样会导致估计结果震荡，或者长时间精度不提升甚至下降。
当然有了好的参数，那么loss也需要考虑，因为loss不能变化太震荡，导致训练结果震荡，迟迟找不到正确的下降梯度方向，最合理的就是根据总体反馈将loss进行归一化，当然这个跟样本分布有关系。
训练过程有了那就是优化方法的选择问题，有很多文献说的是推荐sgd，目前个人经验也是sgd相对更好调参，结果更可控，所以能很好的选择参数。adam这样的结果不太好理解，因为对adam不熟悉，以后希望对各种优化方法做一个系统的学习在分享！