neural-network之在神经网络中我们应该以什么顺序调整超参数

我有一个使用Tensorflow和AdamOptimizer的非常简单的ANN来解决回归问题，现在我可以调整所有超参数了。

现在，我看到了许多必须调整的超参数:

学习率:初始学习率，学习率衰减

AdamOptimizer需要4个参数(学习率，beta1，beta2，epsilon)，因此我们需要对其进行调整-至少epsilon

批处理大小

nb次迭代

Lambda L2-正则化参数

神经元数，层数

对于隐藏层有什么样的激活功能，对于输出层

辍学参数

我有两个问题:

1)您是否看到我可能忘记的其他任何超参数？

2)目前，我的调音是相当“手动”的，我不确定我是否没有以适当的方式进行所有操作。
是否有特殊的命令来调整参数？例如，首先是学习率，然后是批量大小，然后是...
我不确定所有这些参数都是独立的-实际上，我很确定其中一些参数不是独立的。哪些明显独立，哪些明显不独立？然后我们应该一起调整它们吗？
是否有任何文章或文章讨论以特殊顺序适当调整所有参数？

编辑:
这是我获得的不同初始学习率，批处理大小和正则化参数的图表。紫色曲线对我来说完全是怪异的……因为成本的下降速度与其他曲线一样缓慢，但是却以较低的准确率卡住了。模型是否可能卡在局部最小值中？

Accuracy

Cost

对于学习率，我使用了衰减:
LR(t)= LRI / sqrt(epoch)

谢谢你的帮助 !
保罗

请您参考如下方法:

我的一般命令是:

批次大小，因为它将在很大程度上影响 future 实验的训练时间。

网络架构:

网络中的神经元数目

层数

Rest(辍学，L2 reg等)

依赖项:

我假设的最佳值

学习率和批量大小

学习率和神经元数量

神经元数和层数

互相依赖。我不是该 Realm 的专家。

至于您的超参数:

对于Adam优化器:“本文中的推荐值为eps = 1e-8，beta1 = 0.9，beta2 = 0.999。” (source)

对于Adam和RMSProp的学习率，我发现0.001左右的值对于大多数问题来说是最佳的。

作为Adam的替代方案，您还可以使用RMSProp，它将内存占用量减少多达33％。有关更多详细信息，请参见this answer。

您还可以调整初始重量值(请参阅All you need is a good init)。虽然，Xavier初始化程序似乎是防止必须调整权重init的好方法。

我没有将迭代/时期的数量调整为超参数。我训练网络，直到其验证错误收敛为止。但是，我给每次运行分配了时间预算。