1、调整过程
在训练神经网络时，超参数的调试十分重要，下面分享一些指导原则。
通常来说，①学习因子α是最重要的超参数，也是需要重点调试的超参数。②动量梯度下降因子beta、各隐藏层神经元个数hidden units和mini-batch size的重要性仅次于alpha。③然后就是神经网络层数layers和学习因子下降参数learning rate decay。④最后，Adam算法的三个参数bata1,bata2,sigma一般常设置为0.9，0.999和10^-8，不需要反复调试。当然，这里超参数重要性的排名并不是绝对的，具体情况，具体分析。
当你尝试调整一些超参数时，在深度学习领域，推荐随机选择点，另一个惯例是采用由粗糙到精细的策略。
2、为超参数选择合适的范围
在超参数范围中，随机取值可以提升你的搜索效率。但随机取值并不是在有效范围内的随机均匀取值，而是选择合适的标尺，用于探究这些超参数，这很重要。
对于某些超参数（隐藏单元的数量或者神经网络的层数）是可以进行尺度均匀采样的，它们都是正整数，是可以进行均匀随机采样的（即超参数每次变化的尺度都是一致的），这是合理的。
某些超参数需要选择不同的合适尺度进行随机采样。设你在搜索超参数α（学习速率），假设你怀疑其值最小是0.0001或最大是1。如果你画一条从0.0001到1的数轴，沿其随机均匀取值，那90%的数值将会落在0.1到1之间，结果就是，在0.1到1之间，应用了90%的资源，而在0.0001到0.1之间，只有10%的搜索资源，这看上去不太对。反而，用对数标尺搜索超参数的方式会更合理，因此这里不使用线性轴，分别依次取0.0001，0.001，0.01，0.1，1，在对数轴上均匀随机取点。
除了α之外，动量梯度因子β（用于计算指数的加权平均数）的取值也是一样，在超参数调试的时候也需要进行非均匀采样，因为当β越接近1时，所得结果的灵敏度（sensitivity）会变化，即使只有微小的变化，所以需要更加密集地取值。一般β的取值范围在[0.9, 0.999]之间，那么1−β的取值范围就在[0.001, 0.1]之间。那么直接对1−β在[0.001, 0.1]区间内进行log变换即可。
3、超参数调试实践：Pandas VS Caviar
如今的深度学习（deep learning）已经应用到许多不同的领域，某个应用领域的超参数设定，有可能通用于另一领域，不同的应用领域出现相互交融。关于如何搜索超参数的问题，人们通常采用的两种重要但不同的方式，分别如下图所示：
一种是照看一个模型（babysit one model），通常有庞大的数据组，但是没有许多计算资源或足够的CPU和GPU，这样的话一次试验一个模型或者一小批模型，然后每天花时间观察它，不断调整参数，如上图左。
另一种方法则是同时试验多种模型，已经设置了一些超参数，让它自己运行，或者是一天甚至多天，然后会获得像这样的学习曲线，这可以是损失函数 J 或训练误差的损失或数据误差的损失，但都是曲线轨迹的度量，如上图右。
4、归一化网络的激活函数
在深度学习兴起后，最重要的一个思想是它的一种算法，叫做Batch归一化（Batch Normalization）。Batch归一化旨在加速神经网络训练并提高模型的泛化能力。通过对每个mini-batch内的激活值进行归一化，Batch归一化能够有效地缓解梯度消失和梯度爆炸的问题，使得模型在深层网络中表现更加稳定。
Batch归一化还有一个作用，它有轻微的正则化效果（不要当做是正则化，正则化效果微弱），它的特点表现为：
- 加速训练：Batch归一化可以使得模型的训练更加稳定，允许使用更高的学习率，从而加速了训练过程。
- 减轻梯度消失和梯度爆炸问题
- 减少对参数初始化的敏感性：Batch归一化可以让模型对权重初始化不那么敏感，即使是较差的权重初始化，也能通过归一化操作纠正输入分布，从而加快收敛。
- 一定程度的正则化效果：由于每个mini-batch的数据都不一样，因此Batch归一化会在训练中引入一些噪声，这种噪声在一定程度上具有正则化效果，能够减少模型的过拟合。
- 依赖mini-batch的大小：Batch归一化依赖于mini-batch的大小，较小的mini-batch可能导致均值和方差估计不准确，影响训练效果。
5、Softmax回归（Softmax Regression）
Softmax回归（Softmax Regression）是分类问题中的一种常见方法，特别适用于多分类问题。它是逻辑回归的扩展版，逻辑回归通常用于二分类问题，而Softmax回归则用于处理多个类别的分类任务。
Softmax回归模型的核心思想是通过Softmax函数将模型的输出转化为每个类别的概率分布，并选择概率最大的类别作为最终的预测结果。
