從智能手機(jī)到航天器，機(jī)器學(xué)習(xí)算法無(wú)處不在。他們會(huì)告訴您明天的天氣預(yù)報(bào)，將一種語(yǔ)言翻譯成另一種語(yǔ)言，并建議您接下來(lái)想在設(shè)備上看什么電視連續(xù)劇。這些算法會(huì)根據(jù)數(shù)據(jù)自動(dòng)調(diào)整（學(xué)習(xí)）其內(nèi)部參數(shù)。但是，有一部分參數(shù)是無(wú)法學(xué)習(xí)的，必須由專(zhuān)家進(jìn)行配置。這些參數(shù)通常被稱為“超參數(shù)”，隨著AI的使用增加，它們對(duì)我們的生活產(chǎn)生重大影響。

例如，決策樹(shù)模型中的樹(shù)深度和人工神經(jīng)網(wǎng)絡(luò)中的層數(shù)是典型的超參數(shù)。模型的性能在很大程度上取決于其超參數(shù)的選擇。對(duì)于中等深度的樹(shù)，決策樹(shù)可能會(huì)產(chǎn)生良好的結(jié)果，而對(duì)于非常深的樹(shù)，決策樹(shù)的性能將很差。如果我們要手動(dòng)運(yùn)行，最佳超參數(shù)的選擇更是藝術(shù)性。實(shí)際上，超參數(shù)值的最佳選擇取決于當(dāng)前的問(wèn)題。

由于算法，目標(biāo)，數(shù)據(jù)類(lèi)型和數(shù)據(jù)量從一個(gè)項(xiàng)目到另一個(gè)項(xiàng)目都發(fā)生了很大變化，因此沒(méi)有適合所有模型和所有問(wèn)題的超參數(shù)值的最佳選擇。相反，必須在每個(gè)機(jī)器學(xué)習(xí)項(xiàng)目的上下文中優(yōu)化超參數(shù)。

在本文中，我們將從回顧優(yōu)化策略的功能開(kāi)始，然后概述四種常用的優(yōu)化策略：

• 網(wǎng)格搜索
• 隨機(jī)搜尋
• 爬山
• 貝葉斯優(yōu)化
• 優(yōu)化策略

即使有專(zhuān)家深入的領(lǐng)域知識(shí)，手動(dòng)優(yōu)化模型超參數(shù)的任務(wù)也可能非常耗時(shí)。另一種方法是讓專(zhuān)家離開(kāi)，并采用自動(dòng)方法。根據(jù)某種性能指標(biāo)來(lái)檢測(cè)給定項(xiàng)目中給定模型的最佳超參數(shù)集的自動(dòng)過(guò)程稱為優(yōu)化策略。

典型的優(yōu)化過(guò)程定義了可能的超參數(shù)集以及針對(duì)該特定問(wèn)題要最大化或最小化的度量。因此，實(shí)際上，任何優(yōu)化過(guò)程都遵循以下經(jīng)典步驟：

1）將手頭的數(shù)據(jù)分為訓(xùn)練和測(cè)試子集

2）重復(fù)優(yōu)化循環(huán)固定次數(shù)或直到滿足條件：

a）選擇一組新的模型超參數(shù)

b）使用選定的超參數(shù)集在訓(xùn)練子集上訓(xùn)練模型

c）將模型應(yīng)用于測(cè)試子集并生成相應(yīng)的預(yù)測(cè)

d）使用針對(duì)當(dāng)前問(wèn)題的適當(dāng)評(píng)分標(biāo)準(zhǔn)（例如準(zhǔn)確性或平均絕對(duì)誤差）評(píng)估測(cè)試預(yù)測(cè)。存儲(chǔ)與選定的超參數(shù)集相對(duì)應(yīng)的度量標(biāo)準(zhǔn)值

3）比較所有度量值，然后選擇產(chǎn)生最佳度量值的超參數(shù)集

問(wèn)題是如何從步驟2d返回到步驟2a，以進(jìn)行下一次迭代。也就是說(shuō)，如何選擇下一組超參數(shù)，確保它實(shí)際上比上一組更好。我們希望優(yōu)化循環(huán)朝著合理的解決方案發(fā)展，即使它可能不是最佳解決方案。換句話說(shuō)，我們要合理確定下一組超參數(shù)是對(duì)上一組的改進(jìn)。

典型的優(yōu)化過(guò)程將機(jī)器學(xué)習(xí)模型視為黑匣子。這意味著在每個(gè)選定的超參數(shù)集的每次迭代中，我們感興趣的只是由選定指標(biāo)測(cè)量的模型性能。我們不需要（想要）知道黑匣子內(nèi)部發(fā)生了什么變化。我們只需要轉(zhuǎn)到下一個(gè)迭代并迭代下一個(gè)性能評(píng)估，依此類(lèi)推。

所有不同優(yōu)化策略中的關(guān)鍵因素是如何根據(jù)步驟2d中先前的度量標(biāo)準(zhǔn)輸出，在步驟2a中選擇下一組超參數(shù)值。因此，對(duì)于一個(gè)簡(jiǎn)化的實(shí)驗(yàn)，我們省略了對(duì)黑盒的訓(xùn)練和測(cè)試，我們專(zhuān)注于度量計(jì)算（數(shù)學(xué)函數(shù)）和選擇下一組超參數(shù)的策略。此外，我們用任意數(shù)學(xué)函數(shù)替換了度量計(jì)算，并用函數(shù)參數(shù)替換了一組模型超參數(shù)。

通過(guò)這種方式，優(yōu)化循環(huán)運(yùn)行得更快，并盡可能保持通用。進(jìn)一步的簡(jiǎn)化是使用僅具有一個(gè)超參數(shù)的函數(shù)，以實(shí)現(xiàn)簡(jiǎn)單的可視化。下面是我們用來(lái)演示四種優(yōu)化策略的函數(shù)。我們想強(qiáng)調(diào)的是，任何其他數(shù)學(xué)函數(shù)也可以起作用。

f（x）= sin（x / 2）+0.5?sin（2?x）+0.25?cos（4.5?x）

這種簡(jiǎn)化的設(shè)置使我們可以在一個(gè)簡(jiǎn)單的xy圖上可視化一個(gè)超參數(shù)的實(shí)驗(yàn)值和相應(yīng)的函數(shù)值。在x軸上是超參數(shù)值，在y軸上是函數(shù)輸出。然后，根據(jù)描述超參數(shù)序列生成中的點(diǎn)位置的白紅色漸變對(duì)（x，y）點(diǎn)進(jìn)行著色。

白點(diǎn)對(duì)應(yīng)于該過(guò)程中較早生成的超參數(shù)值。紅點(diǎn)對(duì)應(yīng)于此過(guò)程中稍后生成的超參數(shù)值。此漸變著色將在以后用于說(shuō)明優(yōu)化策略之間的差異時(shí)很有用。在這種簡(jiǎn)化的用例中，優(yōu)化過(guò)程的目標(biāo)是找到一個(gè)使函數(shù)值最大化的超參數(shù)。讓我們開(kāi)始回顧四種常見(jiàn)的優(yōu)化策略，這些策略用于為優(yōu)化循環(huán)的下一次迭代標(biāo)識(shí)新的超參數(shù)值集。

這是基本的蠻力策略。如果您不知道嘗試使用哪些值，則可以全部嘗試。功能評(píng)估中使用固定步長(zhǎng)范圍內(nèi)的所有可能值。

例如，如果范圍為[0，10]，步長(zhǎng)為0.1，那么我們將獲得超參數(shù)值的序列（0、0.1、0.2、0.3，…9.5、9.6、9.7、9.8、9.9、10） 。在網(wǎng)格搜索策略中，我們?yōu)檫@些超參數(shù)值的每一個(gè)計(jì)算函數(shù)輸出。因此，網(wǎng)格越細(xì)，我們?cè)浇咏顑?yōu)值，但是所需的計(jì)算資源也就越高。

使用步驟0.1在[0，10]范圍內(nèi)對(duì)超參數(shù)值進(jìn)行網(wǎng)格搜索。顏色梯度反映了在生成的超參數(shù)候選序列中的位置。白點(diǎn)

如圖所示，從小到大掃描超參數(shù)的范圍。網(wǎng)格搜索策略在單個(gè)參數(shù)的情況下可以很好地工作，但是當(dāng)必須同時(shí)優(yōu)化多個(gè)參數(shù)時(shí)，它的效率將非常低下。

隨機(jī)搜尋

對(duì)于隨機(jī)搜索策略，顧名思義，超參數(shù)的值是隨機(jī)選擇的。在多個(gè)超參數(shù)的情況下，通常首選此策略，并且當(dāng)某些超參數(shù)對(duì)最終指標(biāo)的影響大于其他參數(shù)時(shí)，此策略特別有效。

同樣，在[0，10]范圍內(nèi)生成超參數(shù)值。然后，隨機(jī)生成固定數(shù)量的超參數(shù)?？梢允褂霉潭〝?shù)量的預(yù)定義超參數(shù)進(jìn)行試驗(yàn)，您可以控制此優(yōu)化策略的持續(xù)時(shí)間和速度。N越大，達(dá)到最佳狀態(tài)的可能性越高，但是所需的計(jì)算資源也就越高。

在[0，10]范圍內(nèi)隨機(jī)搜索超參數(shù)值。顏色梯度反映了在生成的超參數(shù)候選序列中的位置。白點(diǎn)對(duì)應(yīng)于過(guò)程中較早

不出所料，來(lái)自生成序列的超參數(shù)值沒(méi)有降序或升序使用：白色和紅色點(diǎn)在圖中隨機(jī)混合。

爬山

在爬坡，在每次迭代的方式選擇在超參數(shù)空間選擇下一個(gè)超參數(shù)值的最佳方向。如果沒(méi)有相鄰改善最終指標(biāo)，則優(yōu)化循環(huán)將停止。

請(qǐng)注意，此過(guò)程在一個(gè)重要方面與網(wǎng)格搜索和隨機(jī)搜索不同：選擇下一個(gè)超參數(shù)值時(shí)要考慮先前迭代的結(jié)果。

在[0，10]范圍內(nèi)對(duì)超參數(shù)值進(jìn)行爬山搜索。顏色梯度反映了在生成的超參數(shù)候選序列中的位置。白點(diǎn)對(duì)應(yīng)于過(guò)程

上圖顯示了應(yīng)用于我們函數(shù)的爬坡策略從一個(gè)隨機(jī)的超參數(shù)值x = 8.4開(kāi)始，然后在x = 6.9時(shí)朝函數(shù)最大值y = 0.4移動(dòng)。一旦達(dá)到最大值，就不會(huì)在下一個(gè)鄰居中看到度量值的進(jìn)一步增加，并且搜索過(guò)程將停止。

此示例說(shuō)明了與此策略有關(guān)的警告：它可能陷入次要最大值。從其他圖中可以看出，全局最大值位于x = 4.0處，對(duì)應(yīng)的度量值為1.6。該策略找不到全局最大值，但陷入局部最大值。此方法的一個(gè)很好的經(jīng)驗(yàn)法則是以不同的起始值多次運(yùn)行它，并檢查算法是否收斂到相同的最大值。

貝葉斯優(yōu)化

該貝葉斯優(yōu)化戰(zhàn)略選擇基于以前的迭代，類(lèi)似于爬山策略的功能輸出的下一個(gè)超參數(shù)值。與爬山不同，貝葉斯優(yōu)化會(huì)全局查看過(guò)去的迭代，而不僅僅是最后一次。

此過(guò)程通常分為兩個(gè)階段：

在稱為預(yù)熱的第一階段中，將隨機(jī)生成超參數(shù)值。在用戶定義的數(shù)量N個(gè)此類(lèi)超參數(shù)的隨機(jī)生成之后，第二階段開(kāi)始。

在第二階段中，在每次迭代中，都會(huì)估計(jì)類(lèi)型為P（輸出|過(guò)去超參數(shù)）的“替代”模型，以描述輸出值在過(guò)去迭代中對(duì)超參數(shù)值的條件概率。該替代模型比原始函數(shù)更容易優(yōu)化。因此，該算法優(yōu)化了替代，并建議將替代模型的最大值處的超參數(shù)值也作為原始函數(shù)的最佳值。第二階段的一小部分迭代還用于探測(cè)最佳區(qū)域之外的區(qū)域。這是為了避免局部最大值的問(wèn)題。

[0，10]范圍內(nèi)超參數(shù)值的貝葉斯優(yōu)化。顏色梯度反映了在生成的超參數(shù)候選序列中的位置。白點(diǎn)對(duì)應(yīng)于過(guò)程中較

上圖圖證明了貝葉斯優(yōu)化策略使用預(yù)熱階段來(lái)定義最有希望的區(qū)域，然后為該區(qū)域中的超參數(shù)選擇下一個(gè)值。您還可以看到，密集的紅色點(diǎn)聚集在更接近最大值的位置，而淡紅色和白色的點(diǎn)則分散了。這表明，第二階段的每次迭代都會(huì)改善最佳區(qū)域的定義。

總結(jié)

我們都知道訓(xùn)練機(jī)器學(xué)習(xí)模型時(shí)超參數(shù)優(yōu)化的重要性。由于手動(dòng)優(yōu)化非常耗時(shí)并且需要特定的專(zhuān)家知識(shí)，因此我們探索了四種常見(jiàn)的超參數(shù)優(yōu)化自動(dòng)過(guò)程。

通常，自動(dòng)優(yōu)化過(guò)程遵循迭代過(guò)程，在該過(guò)程中，每次迭代時(shí)，都會(huì)在一組新的超參數(shù)上訓(xùn)練模型，并在測(cè)試集上進(jìn)行評(píng)估。最后，將與最佳度量得分相對(duì)應(yīng)的超參數(shù)集選擇為最佳集。問(wèn)題是如何選擇下一組超參數(shù)，以確保它實(shí)際上比上一組更好。

我們概述了四種常用的優(yōu)化策略：網(wǎng)格搜索，隨機(jī)搜索，爬山和貝葉斯優(yōu)化。它們都各有利弊，我們通過(guò)說(shuō)明它們?cè)诤?jiǎn)單用例中的工作方式來(lái)簡(jiǎn)要解釋了它們之間的差異?，F(xiàn)在，您都可以嘗試在現(xiàn)實(shí)中的機(jī)器學(xué)習(xí)問(wèn)題中進(jìn)行嘗試。