文档简介：
在深度学习建模过程中，除了大规模的数据集，超参数调节也显著影响模型效果。即使对于有经验的算法工程师，有时候也很难把握调节超参数的规律，而对于初学者来说，要花更多的时间和精力。
自动超参搜索应用超参搜索策略，对模型的超参数进行自动调优，在配置训练任务的页面，完成数据集的配置后，可以选择使用自动超参搜索进行配置。
您可以选择「随机搜索」，「贝叶斯搜索」，「进化算法」作为搜索策略进行超参搜索，所有默认值都是基于试验得出的效果较好的取值。 
随机搜索
作为基线标准，不需要更多额外的设置，就能高效地进行超参数搜索。
贝叶斯搜索
贝叶斯搜索中，您需要设置初始点数量和最大并发量.
「初始点数量」:代表贝叶斯搜索中，初始化时参数点的数量，该算法基于这些参数信息推测最优点 ，填写范围1-20;
「最大并发量」:贝叶斯搜索中，同时进行试验的数量，并发量越大，搜索效率越高，填写范围1-20。
进化算法
进化算法是一种效果较好的算法，应用此算法时也需要进行较多的选项设置
「迭代轮数」:进化算法运行中迭代的轮数，范围5-50；
「扰动间隔」:进化算法每隔几个epoch就会进行随机扰动，利用随机因素防止算法结果收敛于局部最优解；
「扰动比例」：类似于染色体交叉的形式，迭代中一个种群内最好与最坏的个体依据扰动比例进行交叉；
「随机初始化概率」：在扰动中，有一定概率对个体的超参数进行初始化；
「种群个体数量」：一个个体代表一种超参数设置，一个种群中包含多个个体。
超参范围设置
超参范围设置中，可以设置需要搜索的超参数和搜索范围。您可以在「默认配置」，「手动配置」中进行选择。
默认配置
如果您不行进行超参数选择和范围设置，可以选用默认配置，后台会根据所选网络默认配置必要的超参数进行搜索。
手动配置
针对不同的预训练网络，我们提供了丰富的超参数供开发者手动配置，每一个超参数都能选择数据类型和设置搜索范围。 
详细超参数列表请见下面超参数列表
搜索超参数列表
| 超参数 | 参数类型 | 说明 |
|---|---|---|
| batch_size | 离散值、随机整数 | 每一个批次处理的数据数量，需根据网络不同机型和网络调整最大值，否则可能因显存不足导致失败 |
| learning_rate | 离散值、平均采样、对数平均采样 | 控制深度学习网络的学习速度，学习率越低，损失函数的变化速度就越慢，反之亦然 |
| weight_decay | 离散值、平均采样、对数平均采样 | 对深度学习网络进行权重衰减，防止网络出现过拟合情况 |
| mix_up | 布尔值 | 选择是否使用mix_up策略，mix_up是一种数据增广方式 |
| label_smoothing | 布尔值 | 选择是否使用label_smoothing策略，label_smoothing是一种正则化方法 |
| anchor_scale | 离散值，随机整数 | anchor大小的缩放尺度，anchor是一组预设的参考框 |
| anchor_ratio | 离散值，随机整数 | anchor的长宽比，anchor是一组预设的参考框 |
通用配置项
『最大搜索次数』：是指最多组合出多少组超参并跑试验，当然有可能会因为提前达到目标而停止，节约费用。
『数据采样比例』：使用超参搜索时，会对原始数据集进行采样后再训练，加快搜索速度。当数据集并不大时，不推荐采样哟，可能会影响最终效果，只有大数据量时才有使用采样的必要。
『最高mAP/最高准确率』：是指大家期望模型效果可以达到的mAP（物体检测）或准确率（图像分类）的值，当试验中达到这个值了搜索就会停止，避免后续浪费搜索时间。
