- 综合排序
- 最热优先
- 最新优先
- 来自专栏视觉求索无尽也
【调参经验】图像分类模型的调参经验前言调参经验与我交流
调参经验 模型选择 通常我会使用一个简单的CNN模型（这个模型一般包含5个卷积层）将数据扔进去训练跑出一个baseline，这一步工作主要是为了验证数据集的质量。 超参数的选择 调参是项技术活，调得好CVPR，调不好下海搬砖。
2.5K20发布于 2018-12-04 - 来自专栏全栈程序员必看
Prophet调参
本篇主要讲解实际运用中Prophet调参的主要步骤以及一些本人实际经验。 二 参数调优实战 目前实际生产中，时序模型的训练往往是数量惊人，因此如果依靠以往的指标和经验调参以不大可行，所以只能采用机器寻参的方式。福布湿在这里给大家介绍下常用的网格寻参。 在调参之前，最重要的是要确定好模型的评价指标。Prophet中内置的评价指标有传统的mse、rmse、mae、mape、coverage。 （当然如果使用2分法一组组参数调，麻烦是麻烦了点，但是速度肯定快不少）。 因此如果想训练出一个好的模型，数据和调参很重要，但更重要的对算法原理的充分理解并根据实际情况改进算法，从而让模型效果达到一个新的台阶。
3K10编辑于 2022-07-04 - 来自专栏大数据学习与研究
druid调参
historical分冷热节点 不同节点可以参考评论中的配置 historical冷节点
64140编辑于 2022-02-22 - 来自专栏算法进阶
一文归纳Ai调参炼丹之法
1 超参数优化 调参即超参数优化，是指从超参数空间中选择一组合适的超参数，以权衡好模型的偏差(bias)和方差(variance)，从而提高模型效果及性能。 常用的调参方法有： 人工手动调参 网格/随机搜索(Grid / Random Search) 贝叶斯优化(Bayesian Optimization) 注：超参数 vs 模型参数差异 超参数是控制模型学习过程的 2 人工调参 手动调参需要结合数据情况及算法的理解，选择合适调参的优先顺序及参数的经验值。 ，使得调参更有效率。 4.1 算法简介 贝叶斯优化思想简单可归纳为两部分: 高斯过程（GP）：以历史的调参信息（Observation）去学习目标函数的后验分布（Target）的过程。
73710编辑于 2022-06-01 - 来自专栏SAMshare
Machine Learning-模型评估与调参 ——曲线调参
绘制验证曲线得到超参和准确率关系 验证曲线是用来提高模型的性能，验证曲线和学习曲线很相近，不同的是这里画出的是不同参数下模型的准确率而不是不同训练集大小下的准确率： 1from sklearn.model_selection
1K10发布于 2019-08-22 - 来自专栏杨熹的专栏
LightGBM 如何调参
本文结构： 什么是 LightGBM 怎么调参 和 xgboost 的代码比较 ---- 1. 怎么调参 下面几张表为重要参数的含义和如何应用 Control Parameters 含义 用法 max_depth 树的最大深度 当模型过拟合时,可以考虑首先降低 max_depth min_data_in_leaf categorical_features 类似，只不过不是将特定的列视为categorical，而是完全忽略 save_binary 这个参数为 true 时，则数据集被保存为二进制文件，下次读数据时速度会变快 ---- 调参 ，在大型数据集时就设置为数百或数千 max_depth 这个也是可以限制树的深度 下表对应了 Faster Speed ，better accuracy ，over-fitting 三种目的时，可以调的参数
4K41发布于 2018-06-19 - 来自专栏人工智能领域
DeepSeek超参优化实战：AutoML调参全解析，解锁AI性能密码（1618）
（三）AutoML 调参方法 穷举法（网格搜索，Grid Search）：这是一种最为直观的调参方法。 这种低成本的训练模式，使得更多的研究机构和企业能够以较低的成本使用先进的 AI 技术，加速了 AI 技术的普及和应用。 然后，调用 DeepSeek 的调参函数，将模型定义、数据集、评估指标和调参算法等参数传入。 （二）AutoML 调参发展趋势 展望未来，AutoML 调参技术有望在多个方面取得进一步的发展。 如果您对《DeepSeek超参优化实战：AutoML调参全解析，解锁AI性能密码（16/18）》有更深入的兴趣或疑问，欢迎继续关注相关领域的最新动态，或与我们进一步交流和讨论。
95021编辑于 2025-03-13 - 来自专栏Datawhale专栏
Deep learning调参经验
训练技巧对深度学习来说是非常重要的，作为一门实验性质很强的科学，同样的网络结构使用不同的训练方法训练，结果可能会有很大的差异。这里我总结了近一年来的炼丹心得，分享给大家，也欢迎大家补充指正。
72442发布于 2019-11-23 - 来自专栏智能算法
深度学习如何调参？
干调参这种活也有两年时间了. 我的回答可能更多的还是侧重工业应用, 技术上只限制在CNN这块. 先说下我的观点, 调参就是trial-and-error. 没有其他捷径可以走. 唯一的区别是有些人盲目的尝试, 有些人思考后再尝试.快速尝试, 快速纠错这是调参的关键. ◆ 首先说下可视化 我个人的理解, 对于可视化, 更多的还是帮助人类以自己熟悉的方式来观察网络. 因为, 你是不可能边观察网络, 还边调参的. 你只是训练完成后(或者准确率到达一个阶段后), 才能可视化. 但是具体调参怎么调是没辙的. 第一, 你不可能告诉网络, 这层你得学个边界检测的功能出来. 就我们调参狗能遇到的问题, NN没法拟合的, 这概率是有多小★ 你可以不这么做, 但是等你数据准备了两天, 结果发现有问题要重新生成的时候, 你这周时间就酱油了. 2.
77440发布于 2018-06-04 - 来自专栏粽子的深度学习笔记
自动调参神器NNI
尝试了几款调参神器后，还是选择了一款微软出的一款调参神器NNI . 除了各方面性能都挺好之外，完备的官方文档也是一个值得选择的原因。另外，weight & bias 也是一款比较优秀的调参神器。 NNI (Neural Network Intelligence)是一个轻量但强大的工具包，帮助用户自动的进行特征工程，神经网络架构搜索，超参调优以及模型压缩。 Linux 和 macOS python3 -m pip install --upgrade nni 启动 Experiment 的三个步骤 第一步：编写 JSON 格式的搜索空间文件，包括所有需要搜索的超参的名称和分布 local # 本地 服务器 searchSpacePath: search_space.json #choice: true, false useAnnotation: false tuner: # 调参器 codeDir: . # gpuNum: 1 localConfig: useActiveGpu: true 注意各个文件路径 ---- 第三步：修改 Trial 代码来从 NNI 获取超参，
2K30发布于 2021-07-07 - 来自专栏mathor
模型建立与调参
（贪心调参， GridSearchCV调参和贝叶斯调参） 绘制训练集曲线与验证集曲线（从曲线分析过拟合欠拟合的问题，以及如果发生了这些问题，我们应该怎么去尝试解决） 总结 1. 这样，各个模型的效果就一目了然了，从上图可以看出，随机森林和LGB的效果还是好一些的，后面可以基于这两个进行调参，当然xgboost的效果可能由于参数的原因表现不是那么理想，这里也作为了我们调参备选 那么调参究竟有没有影响呢 591，不调参713，所以调参还是很重要的。 所以更多的时候需要我们自己手动先排除掉一部分数值，然后使用GridSearch自动调参 模型调参有三种方式： 贪心调参 网格搜索调参 贝叶斯调参 这里给出一个模型可调参数及范围选取的参考： ? 详细的可以参考： 随机森林sklearn FandomForest，及其调参 机器学习各种算法怎么调参？
2.3K21发布于 2020-04-03 - 来自专栏人工智能头条
详解TensorBoard如何调参
下面是一个普通的 convolutional 网络结构，我们全文会在这个结构上进行调优： ? 这是初级的代码： ? 先来看一下它的训练结果： ? 现在发现 model 基本训练的不错了 Step 4: 选择最优模型 接下来 tf 还可以进行调参 可以看不同版本的 model 在 训练不同的 variable 时哪个更好。 总结 好了，上面基本把 TensorBoard 各板块上主要的功能简单介绍了一下，而且用了一个小例子，看如何借用各个板块的可视化结果来帮助我们调优模型： step 1: 查看 graph 结构 step 5: 用 embedding 进一步查看 error 出处 希望也可以帮到大家，据说后面 TensorFlow 会推出更炫的而且更专业的可视化功能，例如语音识别的，有了这种可视化的功能，最需要精力的调优环节也变得更有趣了
73230发布于 2018-07-20 - 来自专栏智能算法
深度学习如何调参？
干调参这种活也有两年时间了. 我的回答可能更多的还是侧重工业应用, 技术上只限制在CNN这块. 先说下我的观点, 调参就是trial-and-error. 没有其他捷径可以走. 唯一的区别是有些人盲目的尝试, 有些人思考后再尝试.快速尝试, 快速纠错这是调参的关键. ◆ 首先说下可视化 我个人的理解, 对于可视化, 更多的还是帮助人类以自己熟悉的方式来观察网络. 因为, 你是不可能边观察网络, 还边调参的. 你只是训练完成后(或者准确率到达一个阶段后), 才能可视化. 但是具体调参怎么调是没辙的. 第一, 你不可能告诉网络, 这层你得学个边界检测的功能出来. 就我们调参狗能遇到的问题, NN没法拟合的, 这概率是有多小? ★ 你可以不这么做, 但是等你数据准备了两天, 结果发现有问题要重新生成的时候, 你这周时间就酱油了. ? 2.
66940发布于 2018-10-23 - 来自专栏全栈程序员必看
图文详解PID调参
文章目录 图文详解PID调参 一、什么是PID 1. 比例系数 2. 积分系数 3. 微分系数 二、PID调节方式 1.PI系统调节 2.PD系统调节 3.PID系统调节 图文详解PID调参 读完本篇文章你的收获： PID三个参数基本概念 了解如何调节PID 认识一个经常咕咕咕的博主 提高系统对未来变化反应能力 二、PID调节方式 通过上一小节的分析，我们对PID的三个项有了一个简单的理解，但文字上的描述还是太抽象了，我以一个小车调速系统来做进一步讲解，结合实际现象来分析PID三个参数的实际作用，以及如何调这三个参数 但大多数情况下PID三个参数并不是都使用上的，一般会其中两个来组合使用，比如PI组合用于追求稳定的系统，PD组合用于追求快速响应的系统，当然PID用于即追求稳定又追求快速响应的系统，但是实际上PID参数越多越难调， 调节的过大之后，反倒会放大系统趋势的影响，使系统出现震荡，难以稳定，如下D=5 3.PID系统调节 在讲了PI和PD系统的调节方式后，下面分享一下PID系统的调节方式，首先我们先按照PI系统进行调节，先调P在调I
15.8K14编辑于 2022-09-06 - 来自专栏深度学习和计算机视觉
Deep Learning 调参经验
训练技巧对深度学习来说是非常重要的，作为一门实验性质很强的科学，同样的网络结构使用不同的训练方法训练，结果可能会有很大的差异。这里我总结了近一年来的炼丹心得，分享给大家，也欢迎大家补充指正。
67110发布于 2019-11-30 - 来自专栏杨熹的专栏
详解 TensorBoard－如何调参
下面是一个普通的 convolutional 网络结构，我们全文会在这个结构上进行调优： ? 这是初级的代码： ? 先来看一下它的训练结果： ? 现在发现 model 基本训练的不错了 ---- step 4: 选择最优模型 接下来 tf 还可以进行调参 可以看不同版本的 model 在 训练不同的 variable 时哪个更好。 ---- 好了，上面基本把 TensorBoard 各板块上主要的功能简单介绍了一下，而且用了一个小例子，看如何借用各个板块的可视化结果来帮助我们调优模型： step 1: 查看 graph 结构 step 5: 用 embedding 进一步查看 error 出处 希望也可以帮到大家，据说后面 TensorFlow 会推出更炫的而且更专业的可视化功能，例如语音识别的，有了这种可视化的功能，最需要精力的调优环节也变得更有趣了
2.4K80发布于 2018-04-03 - 来自专栏老秦求学
调参必备---GridSearch网格搜索
Grid Search：一种调参手段；穷举搜索：在所有候选的参数选择中，通过循环遍历，尝试每一种可能性，表现最好的参数就是最终的结果。其原理就像是在数组里找最大值。（为什么叫网格搜索？ Simple Grid Search：简单的网格搜索 以2个参数的调优过程为例： from sklearn.datasets import load_iris from sklearn.svm import （因为测试集在调参过程中，送到了模型里，而我们的目的是将训练模型应用在unseen data上）； 解决方法： 对训练集再进行一次划分，分成训练集和验证集，这样划分的结果就是：原始数据划分为3份，分别为 Test set score:0.97 Best parameters:{'C': 10, 'gamma': 0.1} Best score on train set:0.98 Grid Search 调参方法存在的共性弊端就是 总而言之，言而总之 Grid Search：一种调优方法，在参数列表中进行穷举搜索，对每种情况进行训练，找到最优的参数；由此可知，这种方法的主要缺点是 比较耗时！
3.9K81发布于 2018-04-12 - 来自专栏AI部落联盟
干货|XGBoost进阶—调参+实战
0，silent模式关闭（一般我们选择slient=0，因为这样能更好的帮助我们理解模型）
2.6K30发布于 2019-05-27 - 来自专栏机器学习AI算法工程
sklearn集成学习：如何调参？
调参的过程。 调参的过程。 下图中展示了这个两个参数的调参结果： ? ，进行下一步调参。 有人要说了，按照我的描述，Aarshay的调参试验不可再现啊！其实，我故意没说Aarshay的另一个关键处理：调参前的参数初始值。
2.2K70发布于 2018-03-15 - 来自专栏Datawhale专栏
深度学习调参tricks总结！
更多详细的介绍可以查看知乎机器学习算法如何调参？ adam是不需要特别调lr，sgd要多花点时间调lr和initial weights。 数据预处理方式 zero-center ,这个挺常用的. PCA whitening,这个用的比较少. 参考： 关于训练神经网路的诸多技巧Tricks\(完全总结版\)[18] 你有哪些deep learning（rnn、cnn）调参的经验？ towardsdatascience.com/transfer-learning-using-differential-learning-rates-638455797f00 [11] 机器学习算法如何调参 关于训练神经网路的诸多技巧Tricks(完全总结版): https://juejin.im/post/5be5b0d7e51d4543b365da51 [19] 你有哪些deep learning（rnn、cnn）调参的经验
3.3K30发布于 2020-10-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号