各位网友好，小编关注的话题，就是关于人工智能方差的问题，为大家整理了1个问题人工智能方差的解答内容来自网络整理。

为什么人工智能工程师被戏称为“调参侠”

确实，现在做人工智能方向的工程师，有不少被称为“调参侠”，但也并不全是。

以我自己为例，我做cv方向（计算机视觉）的， 调参在我日常工作中占的比例并不大。

在CV这块，除了超参数外，影响模型效果的主要还是要网络结构、数据和损失函数，这三方面确定下来后，调参基本花不了多少时间。

回归正题！

调参侠，到底调什么参？

在人工智能里面，参数大致可分为2大类：

1. 参数(parameters)/模型参数：由模型通过学习得到的变量，比如权重w和偏置b，这个多半是不能调节的，它是由神经网络自己学习出来的。

2. 超参数：在机器学习中，超参数是在神经网络训练之前设置值的参数，而不是通过训练得到的参数数据。常见的有学习率、迭代次数、隐藏层的层数、每层神经元的个数等。通常情况下，需要对超参数进行优化，给学习机选择一组最优超参数，以提高学习的性能和效果。这一般是根据经验进行设定，影响到权重w和偏置b大小的数值。

为什么会被称为“调参侠”？

主要原因有以下2个：

1. 多半是刚入门的算法工程师做的事情，他们不是很懂神经网络的结构、数据分布等等，只能通过调整超参数，以期望获得较好的结果，这样有时候是可行的；

2. 更重要的原因是，GitHub上开源了很多模型，并附上了预训练参数，如常用的检测、分割、分类等等，这些模型都非常成熟，大部分直接调用就可以，然后根据自己的训练数据，稍加修改，就可以得到非常好的结果。公司只要结果，不要求创新，开源项目已经可以做到这点了，所以大多数只要调参即可。

怎么避免成为“调参侠”

目前AI人才竞争越来越激烈，“调参侠”的时代已慢慢过去，这些事情其实根本不需要AI工程师来做，未来的研发工程师就可以承担这些了！ 几年前如果熟练使用TensorFlow，同时掌握基本的AI算法就可以很容易找到一份高薪的工作，但现在不一样了，AI岗位的要求越来越高，对知识的深度也提出了更高的要求。

要想跟上时代，得武装自己，才能不被淘汰。

对于真正的人工智能工程师而言，他们往往是从数据和特征下手的，同时还需要丰富的行业经验。一定要记住一句行业内的谚语，数据和特征才决定算法 的上限，而选择的算法和参数只是决定了已逼近这个上限的速度。

对一般的机器学习模型而言，都有一个或多个参数需要选定。这里面既有离散型的超参数，也有连续型的超参数，甚至还有条件型的超参数。

离散型的超参数是指那些取值个数有限的超参数，连续型的超参数是指那些取值连续的超参数，而条件型超参数则是指那些需要在设定其他某个超参数为某个特定值后才可以进行设定的超参数。

例如，决策树的超参数不纯度就是一个离散型超参数，它可以是gini指数、熵或者方差中的一种。而逻辑回归的超参数学习率则是连续型，因为其取值范围是大于0.0的任意数值。相比之下，条件型超参数不那么常见，只在少数模型中存在，例如sklearn的SVC里，超参数degree仅在kernel为poly时起作用，而在其他时候无效。

如果将深度学习考虑进来，那么条件型超参数就不那么特别了。例如，对于一个深度神经网络来说，第4层隐藏层上所对应的所有超参数（比如神经元个数和激活函数类型）都有一个存在的前提，那就是隐藏层的数量大于等于4。

正因为有这么多的超参数需要调整，而且某些超参数可能会对最终结果产生巨大的影响，所以初级的机器学习从业人员也被戏称（或自称）为“调参侠”，可见调参的重要性及其所需的巨大时间消耗。

到此，大家对人工智能方差的解答时否满意，希望人工智能方差的1解答对大家有用，如内容不符合请联系小编修改。