深度神经网络调参之道（learn to learn）
学习Deep learning 除了算法理解、代码练习、比赛强化之外，还有一个非常重要的环节**“超参数调参”**，在漫漫参数集中如何找到心仪的参数呢？ 下面我为大家总结一下调参之道。
首先先看看Deep learning从业者在大家心中的位置，就知道调参工作有多重要了！
1. Grid Search
如此之多的参数，我该何去何从，如何用最短时间内，尝试最多的参数集
假设： 我们从参数集合中挑选top K 个结果就已经包含大多数组合
那么根据概率论：
如果存在 N 个点, K/N 是你的样本概率在 top K中：
抽样x次（选择的次数），我们有：
所以在1000个样本中，我们选择230次就可以选到top 10的结果，仅仅选择22次就可以选择到top100的结果。
2. Model-based Hyperparameter Optimization
接下来，我们就开始用机器学习来进行超参数选择，按照惯例，我们建立一个模型来预测超参数。
其中蓝色区域是可能的置信区间（confidence），绿色线条是我们的acquisition函数（寻找参数的模型）我们的目的是找到一个模型，能够使confidence减小，结果变好。
3. 强化学习 reinforcement learning
这么多参数组合，手工一个一个试，确实费事费力。 强化学习是一个重要的工具（我们后续专栏里面会仔细讲）。
(1) CNN 超参数的自动寻找
以CNN图片分类为例，到底每一层需要多少filter，filter的长、宽、高，通过强化学习不断地尝试，获得结果。
(2)learning rate 的调整
我们将操作：operatation
一元运算：unary
二元运算：binary
设定为选取的集合：
我们的RL方法，将从这些集合中选取并组合：
其实最终的SGD、RMSProp、Adam 都是这些元素的组合
(3) Activation 函数 的调整
我们设定一元运算、二元运算的集合：
于是我们有：
经过强化学习的不断选择，RL会帮我们找到计算机专家很难想到的激活函数图形
本专栏图片、公式很多来自台湾大学李弘毅老师、斯坦福大学cs229，斯坦福大学cs231n 、斯坦福大学cs224n课程。在这里，感谢这些经典课程，向他们致敬！