2回答
我需要检查12个参数，看看哪种参数的组合最好。当然，它可以用嵌套循环来完成，但这将花费大量的时间，但我不知道如何优化它，使其在合理的时间内运行，也许是一些梯度下降？可以将不同参数值的数量更改为更小的数量。下面是代码，你可以用它来概括我想要实现的东西。
浏览 18提问于2020-10-11得票数 0
2回答
这里是关于科学学习中的超参数优化过程的概述。随机搜索比网格搜索速度快，但方差过大。在其他包中也有其他策略，包括scikit优化、自动滑雪和scikit超带。
什么是最有效的方法(快速找到合理的性能
浏览 0提问于2019-03-13得票数 11
我仍然在训练Tensorflow中的卷积神经网络模型来从面部图像中识别年龄组。我正在使用Adience3D(使用3D模型(它可能不是很好的数据)数据集，四倍用于培训，一倍用于测试。我目前正在使用三个Conv- Conv -Pool层集，第一个Conv层使用32个5x5大小的过滤器，第二个和第三个使用64个3x3大小的过滤器，最上面是一个输入平坦的密集层，然后是一个Dropout层，将密集层的输出减少20%，然后再到logits层。我用每个通道的归一化( 64x64x3输
浏览 0提问于2017-10-23得票数 1
1-使用已定义的RBF SVC模型m，对参数C和伽马值0.01、0.1、1、10运行网格搜索。网格搜索应找到最适合调用的模型。这个模型的召回率比精确度好多少？2-使用已定义的RBF SVC模型m，对参数C和伽马值0.01、0.1、1、10运行网格搜索。网格搜索应找到最优化精度的模型。这个模型的
浏览 0提问于2019-02-01得票数 1
我注意到，在一些消息来源中，作者首先用默认的超参数来训练模型(比如来自scikit-learn的模型)，模型自然会给出结果。然后，他们会尝试优化超参数，即使参数网格包含相同的默认参数(例如，对穷举网格搜索)，然后选择具有最佳参数的最优模型。当我练习的时候，我做了同样的步骤，但是在我解剖了这个过程之后，我意识到这
浏览 0提问于2021-09-22得票数 1
2回答
我有一个两类预测模型；它有n可配置(数字)参数。如果您对这些参数进行适当的调优，该模型可以很好地工作，但是很难找到这些参数的具体值。我使用网格搜索(例如，为每个参数提供m值)。这就产生了学习m ^ n的时间，即使在一台有24个核的机器上并行运行也是非常耗时的。我试着修复除了一个参数之外的所有参数，并且只修改这个参数(这会产生m
浏览 5提问于2015-07-17得票数 3
回答已采纳
1回答
深层网络的超参数优化
、、、、
目前，我正试图为CLDNN (卷积，LSTM，深层神经网络)提出一种新的结构。我想尝试网格搜索和随机搜索，以获得一组最优的超参数，但我不清楚有几件事。如果我使用一组临时的超参数来模拟网络，我如何度量这些超参数的“好”？我正在考虑记录成本和训练的准确性后，N个历元为每次模拟。由于每次模拟都需要相对较长
浏览 0提问于2017-01-24得票数 2
回答已采纳
非随机全局优化器
我只知道一些非随机的全局优化器。最著名的可能是直接搜索(也称为模式搜索)算法的许多变体。直接搜索算法由费米与大都会提出，然后由胡克和吉夫斯推广到广义模式搜索(GPS)中，将重的正碱基的使用扩展为网格，直接搜索算法与经典的法算法相似，它们使用具有底层几何结构的点的邻域(确定性地)探索搜索
浏览 0提问于2020-09-03得票数 2
1回答
我正在寻找模型学习率和优化器的超参数。网格搜索是一种很好的方法吗？在现实世界的场景中，你会简单地从整个域中采样客户端/设备吗?如果是这样，如果我要进行网格搜索，我将不得不首先修复我的客户端样本。在哪种情况下，进行网格搜索是有意义的。
选择参数的典型现实世界方法是什么，即这是一种更启发式的</e
浏览 2提问于2020-05-27得票数 2
1回答
网格搜索还是梯度下降？
、、、、
假设我们有一个神经网络，它的激活函数之一是参数a的函数，我们想找出导致验证集损失最小的权重和参数a，哪一个更好？：
将某一参数视为参数。由于网络的损失是参数a的函数，所
浏览 0提问于2019-10-28得票数 4
回答已采纳
我使用libsvm对包含1000个标签的数据库进行分类。我是libsvm的新手，我发现了一个选择参数c和g来提高性能的问题。首先，下面是我用来设置参数的程序：for log2c = -1:3, cmd = ['-v 5 -c ', num2str(2^log2cpred_black] = max(prob_black,[],2);
acc = sum(pred_black == ytest) .
浏览 0提问于2015-07-02得票数 2
我使用插入符号在大型网格上寻找最优的调优参数。我发现使用带有插入符号的doSnow，内存消耗得太快了。有什么策略来优化吗？这是C50模型，搜索网格如下： model=c('rules', 'tree')非序列化中的执行暂停错误(节点$con)：从连接读
浏览 0提问于2018-04-10得票数 1
1回答
我在我的数据集上实现了所有主要的ML模型(Logistic回归、朴素贝叶斯、支持向量机、KNN、决策树、随机森林、Ada Boost和XGBoost)。我的分层交叉验证分数在70% - 80%之间。当我使用网格搜索实现我的模型时，我的准确率提高了&它们在90%到95%之间。这是大幅度增加的准确性异常和可疑吗？Logistic回归的from sklearn.datasets imp
浏览 0提问于2021-10-11得票数 1
我正在测试支持向量机的超参数，但是，当我求助于Gridsearch或RandomizedSearchCV时，我无法获得分辨率，因为处理时间超过了几个小时。以下是经过测试的参数： 'kernel': ['poly','sigmoid','linear','rbf'],("Best parameters:"
浏览 0提问于2022-12-08得票数 1
回答已采纳
2回答
我使用网格搜索为径向基支持向量机寻找最优参数C和伽马，下面的代码(代码主要取自)。这很好，但我有两个即将提出的问题：
1.鉴于我只有一个数据集可供处理--我如何处理C和伽马的最佳值？我是否将我的数据集分开，只使用一个部分来确定网格搜索的最佳参数C和γ，然后使用第二部分来预测这些参数的准确性？2.鉴于我在为旧数据集找到最佳C和伽马之后又有了另一个数
浏览 4提问于2015-09-25得票数 0
回答已采纳
当涉及到网格搜索和拟合最终模型时，我有点困惑。我分成两部分:训练和测试。测试集只用于最终评估。我只使用培训数据执行网格搜索。1)不要培养榜样。使用来自网格搜索的最佳模型的</e
浏览 2提问于2018-10-28得票数 4
回答已采纳
2回答
我正在研究超参数调优，并好奇搜索空间是连续的还是离散的？我对这两种情况的理解是: 1.连续将使寻找更好地调整到问题的超参数组合变得“更容易”。2.离散将意味着采用更多的蛮力(或随机)方法是有帮助的。
浏览 0提问于2020-03-18得票数 1
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
云直播活动推荐
腾讯云开发者
