8 有一种称为Pruning神经网络的技术，仅用于同一目的。 修剪是对隐藏层的数量进行的。该过程与决策树的修剪过程非常相似。修剪过程如下： 使用标准训练算法训练大型，密集连接的网络 检查训练有素的网络以评估权重的相对重要性 去除最不重要的重量 训练修剪过的网络 重复步骤2-4，直到满意为止 然而，有几种优化的方法来修剪神经网络，这也是一个非常活跃的研究领域。 — 黎明33 source 对称方法是应用于网络体系结构的常见“网格搜索”。从小规模开始（速度如此之快），然后自动尝试更大的体系结构。不过，所有这些都只是蛮力…… — 埃里克·普拉顿 @EricPlaton +1用于网格搜索。在超优化ML算法中非常方便。但是，它在计算上不是很密集吗？ — Dawny33 '16 1 是的，很贵。但是，当我们从小处着手时，最初的阶段可以进行得很快，并且可以更好地实现目标。 — 埃里克·普拉顿 @EricPlaton“ Grid Search”应该拥有一个单独的答案:) — Dawny33 '16 我考虑了一下，但是然后会有两个备选的答案，也许是“同等正确的”答案……我认为对读者而言，最好的办法是将答案汇总为一个。 — 埃里克·普拉顿
0 您可以看一下贝叶斯超参数优化，这是根据超参数优化损耗（或其他任何东西）的一般方法。但是请注意，通常，网络越深越好，因此根据层数优化损耗并不是一件很有趣的事情。 最好使用网格搜索和一些常识（通过阅读许多示例来学习）。 — kc sayz'kc sayz' source