🧠 1. 什么是模型参数与超参数？

类型	定义	例子
模型参数	模型训练过程中自动学习的值	神经网络中的权重、偏置
超参数	训练前由我们人为设定、控制训练过程的参数	学习率、批量大小、网络层数等

---

⚙️ 2. 常见超参数及其作用

🔹 2.1 学习率（Learning Rate）

• 作用：控制参数更新的步长
• 常用范围：0.1 ~ 1e-5
• 论文中常见：0.1, 0.01, 0.001（Adam默认：0.001）
• 建议：
  • 从较大值开始尝试，逐步减小
  • 配合学习率衰减策略使用

---

🔹 2.2 批量大小（Batch Size）

• 作用：每次训练更新中使用的样本数量
• 常用值：32, 64, 128, 256
• 论文示例：
  • ResNet：256
  • Transformer：2048 tokens
• 建议：
  • 小批量（32-256）一般泛化更好
  • 大批量可提升训练速度但风险过拟合

---

🔹 2.3 训练轮数（Epochs）

• 作用：完整遍历训练集的次数
• 设置范围：
  • 小型数据集：50~200
  • 大型数据集：10~50
• 技巧：
  • 搭配 Early Stopping 使用
  • 实时监控验证损失

---

🔹 2.4 优化器（Optimizer）

• 常见选择：
  • SGD、SGD + Momentum（动量0.9）
  • Adam（默认 β1=0.9, β2=0.999）
  • AdamW（改进版，更适用于Transformer）
• 趋势：
  • 经典模型：SGD
  • 现代模型：Adam / AdamW

---

🔹 2.5 正则化参数（Regularization）

• 权重衰减（Weight Decay）：
  • 抑制过拟合，常设为 1e-4 或 0.01（AdamW）
• Dropout：
  • 防止神经元共适应，常设为 0.1~0.5
  • 输入层 0.1~0.2，隐藏层 0.5

---

🏗️ 3. 网络结构相关参数

🔸 3.1 层数与神经元数量

• CNN：从 LeNet(几层) 到 ResNet(上百层)
• Transformer：6 ~ 24 层
• 每层维度：32 ~ 4096 不等

🔸 3.2 激活函数

• ReLU：最常见，简单有效
• LeakyReLU：缓解“死亡ReLU”
• GELU：Transformer 默认激活
• Sigmoid / Tanh：历史悠久，但易梯度消失

---

🔍 4. 参数调优策略

4.1 超参数搜索方法

• 网格搜索（Grid Search）：全排列遍历参数组合
• 随机搜索（Random Search）：效率更高，更推荐

4.2 动态调整策略

• 学习率预热（Warmup）
• 余弦退火（Cosine Annealing）
• 周期性学习率（Cyclic LR）

---

📄 5. 论文参数设置参考

✅ ResNet (ImageNet)

参数	设置
学习率	0.1， 每30轮除以10
批量大小	256
动量	0.9
权重衰减	1e-4
Epochs	90

---

✅ Transformer (Vaswani et al.)

参数	设置
学习率	自定义计划（含warmup）
批量大小	2048 tokens
Adam参数	β1=0.9, β2=0.98, ε=1e-9
Dropout	0.1
训练步数	100K steps

---

🛠️ 6. 实用调参建议

1. 从默认值开始：许多框架默认参数已很合理
2. 逐个调整参数：便于观察每项超参数的影响
3. 记录实验日志：方便回溯和对比实验结果
4. 参考开源代码：复现论文实现的设置
5. 使用调参工具：如 Optuna、Ray Tune

---

✨ 结语

深度学习的参数设置没有标准答案，它既是一门技术，也是一门艺术。多实验、多记录、多模仿是成长最快的路径。希望本篇指南能够帮助你建立起对超参数的理解，迈出调参的第一步！

---