回答思路

我学习的方向比较多，做了不少项目，比如

最开始是图像分类任务开始学习的，包括LeNet、AlexNet、VGGNet，再到ResNet等等；

然后是目标检测，包括FasterRCNN、MaskRCNN、Center Net等等；

后面接触了视频动作识别，主要是SlowFast、TSN等；

调参的时候也不能无章法的乱调，试试这个参数行不行，那个参数行不行，效率太低，调一次要跑很久才能出结果，也不一定能搜到好结果。

比较科学的方法是GridSearch，即网格搜索，在所有候选的参数选择中，通过循环遍历，尝试每一种可能性，表现最好的参数就是最终的结果。其原理就像是在数组里找最大值。

Ps:为什么叫网格搜索？以有两个参数的模型为例，参数a有3种可能，参数b有4种可能，把所有可能性列出来，可以表示成一个3*4的表格，其中每个cell就是一个网格，循环过程就像是在每个网格里遍历、搜索，所以叫grid search）

下面给出一个示例：

from sklearn.datasets import load_iris  from sklearn.svm import SVC  from sklearn.model_selection  import train_test_split   #加载数据iris = load_iris()  X_train,X_test,y_train,y_test = train_test_split(iris.data,iris.target,random_state=0)  print("Size of training set:{} size of testing set:{}".format(X_train.shape[0],X_test.shape[0]))   #开始网格搜索best_score = 0 for gamma in [0.001,0.01,0.1,1,10,100]:     for C in [0.001,0.01,0.1,1,10,100]:         svm = SVC(gamma=gamma,C=C) #对于每种参数可能的组合，进行一次训练         svm.fit(X_train,y_train)         score = svm.score(X_test,y_test)         if score > best_score: #找到表现最好的参数             best_score = score             best_parameters = {'gamma':gamma,'C':C}  print("Best score:{:.2f}".format(best_score)) print("Best parameters:{}".format(best_parameters))

另外，调参还需要结合具体任务。

比如，我们想用通用目标检测网络FasterRCNN实现表格单元格的检测，那么就可以针对表格单元格的特点（通常是细长的长条），调整anchor ratio（即宽高比），提高模型效果。