超参数就是机器学习算法中的调优参数，它可以帮助提高机器学习的性能，并且帮助训练。超参数是在训练之前设置的，然后再通过训练优化权重和偏差。
如何设置超参数
在最初设置超参数时，可以使用经验法则，使用在其他类似机器学习问题中使用的超参数值，当然也可以通过反复训练寻找最佳超参数。
超参数有哪些
与网络结构相关的超参数
- Dropout：Dropout是一种正则化技术，用于防止过度拟合，提高准确性。
- 网络权重初始化：根据在神经网络层上使用的激活函数，使用不同的权重初始化方案很有用。在大多数情况下，使用均匀分布。
- 激活函数：激活函数用于将非线性引入算法模型。这使深度学习算法能够非线性预测边界。
与训练算法相关的超参数
- 学习速率：学习速率定义了网络更新参数的速度。在学习速率低的情况下，算法学习过程会减慢，但会平滑收敛；较高的学习速率则会加快学习速度，但不利于收敛。
- epoch：在训练期间将整个训练数据显示给网络的次数。
- 批量大小：指在参数更新发生之后提供给网络的子样本的数量。
- 动量：有助于避免振荡，通常使用0.5到0.9之间的动量。
超参数和参数的区别
超参数，也称为模型超参数，在模型外部，无法从数据中估计其值。
参数，也称为模型参数，是模型内部的配置变量。可以从数据中估计其价值。模型需要参数才能进行预测。
参数通常是从数据中学习的，不是开发者手动设置的；超参数通常由开发者手动设置。
超参数调优
超参数调优是为了找到最优超参数组合，超参数本质上控制着机器学习模型的整体行为，因此找到超参数的最佳值对于算法模型来说至关重要。如果超参数调优失败，模型将无法收敛、无法有效地最小化损失函数。这将导致模型结果不再准确。
常见超参数调优的方法有网格搜索、随机搜索、贝叶斯优化。
网格搜索是最基本的超参数调优方法，会遍历所以可能的超参数组合。
随机搜索则是在预先设定的范围内随机采样，以此找到更优的超参数组合。
贝叶斯优化属于基于序列模型的优化(SMBO)算法，利用之前超参数值来改进下一个超参数的方法，此方法经过迭代直至找到最佳超参数。
