Deep learning 深度学习概念-超参数调整权重RNN/LSTM

当我们建立模型并对其进行训练时，除非指定种子，否则初始权重是随机初始化的

正如我们所知，我们可以调整各种参数，如年代、优化器、批量大小等，以找到最佳模型

我遇到的问题是：即使我们在调整后找到了最好的模型，权重也会不同，产生不同的模型和结果。因此，如果我们用最好的参数编译并再次运行它，那么最好的模型可能不是最好的。如果我们用再现性参数来分配权重，我们不知道这些是否是最佳权重。另一方面，如果我们调整权重，那么最佳参数就不再是最佳参数了？我陷入了困境。与其他参数相比，是否有关于首先调整哪些参数的一般指南

还是整个逻辑有缺陷，我想得太多了

我们随机初始化权重，以确保每个节点的行为不同于其他节点。 取决于超参数sepochs、批大小等，迭代次数。权重将更新，直到最后一次迭代。最后，我们将更新后的权重称为模型。 种子用于控制初始化的随机性。如果我没有错，一个好的学习算法目标函数和优化器会收敛，而不管种子值如何。 同样，一个好的模型意味着调整所有的超参数，确保模型不欠拟合。 另一方面，即使是模型也不应该过度拟合。 没有什么比最佳参数更重要的了——权重、偏差，我们需要不断调整模型，直到结果令人满意，主要部分是数据处理。

---

因为6而被标记为最佳答案。经过进一步思考，我得出结论，没有最佳模型，应该是最佳平均模型，我们对结果感到满意。