Python 在机器学习中有不可训练的参数可以吗？

在建立机器学习模型时，是否可以使用不可训练的参数？或者这会在模型中产生错误吗？我不清楚什么是不可训练的参数，以及如何基于此修正模型。

通常，不可训练的参数并不意味着某些权重，您可以为这些权重分配随机或预定义的值（因为它们取决于其他权重值，所以无法知道正确的值）

它意味着一些您事先做出的架构决策。例如，在神经网络中，这些参数是层的数量和每层的节点数量。这些可以通过有根据的猜测来决定，或者通常通过反复试验（交叉验证）来决定

拥有这样的不可训练参数不仅是可以的，而且对于大多数训练算法来说是不可避免的。

编辑：正如评论中提到的，问题可能是指KERA中的不可训练参数，而不是一般的不可训练参数（超参数）

KERA中的不可培训参数如中所述

…模型的不可训练参数是指您在训练期间不会更新和优化的参数，并且必须在 先验的，或作为输入传递的

此类参数的示例如下：

隐藏层的数量

每个隐藏层上的节点

每个层上的节点
及其他

这些参数是“不可训练的”，因为您无法优化其性能 重视您的培训数据

回答您的问题：

有不可培训的参数可以吗

是的，如果您正在构建NN或其他机器学习模型，这是可以的，事实上是不可避免的

这会在模型中产生错误吗

默认情况下不会产生错误，它决定了神经网络的结构。

但有些体系结构比其他体系结构更适合您的数据和任务

因此，如果您选择次优的不可训练参数，您可以而且将不适合您的数据

优化不可训练的参数是另一个非常广泛的话题

---

通用机器学习理论的答案：

非训练参数（不专门用于KERA）称为超参数

他们的目标是使算法适应您的特定要求

例如如果你正在训练一个简单的

逻辑回归

，你有一个参数

C

，它代表

正则化

，它基本上影响你将要做的事情 “惩罚”是错误答案的算法

您可能希望很难对算法进行惩罚，以推广更多（但您也可以

欠拟合

），或者您可能不希望对错误进行高惩罚（这也可能导致

过拟合

）

---

这是你无法从数据中学到的东西-这是你可以根据自己的特殊需要进行调整的东西。

我不明白为什么它不好。你已经在神经网络中有了一个偏差单元，而不是训练它。我想你们也可以有其他的，只是把它排除在训练之外。@Chrispresso-bias单位是经过训练的……你们不训练它是什么意思？如果你们特别指“NN”或“多层NN”，不要说“机器学习”。如果您指的是NN，您是指单个图层尺寸、连通性（全部/部分）、激活功能吗？或者梯度增强树中的超参数，比如学习率，正则化？回归或随机森林中的固定效应或混合效应建模？还是别的什么？还是所有这些？（我将该超参数标记为猜测，但如果不适用，请编辑该超参数）该答案忽略了模型中某些层可能被冻结的可能性，就像迁移学习中的情况一样。根据定义，这些层的权重是不可训练的参数。事实上，Keras将向您显示您有多少个参数是可训练的和不可训练的。当Keras输出“不可训练参数”时，它实际上并没有告诉您模型有多少超参数。它指的是那些冻结的图层。@enumaris谢谢你指出这一点！我认为这个问题不是针对Keras和NN的（因为这个问题通常是“在机器学习中”）。但你是对的，值得一提。我将很快更新我的答案，以回应你的评论。是的，我正在字里行间阅读，因为当你做一个model.summary（）时，OP标记的Keras和Keras有一个“可训练参数与不可训练参数”输出，所以我觉得这就是OP所问的。@enumaris我编辑了这个问题。如果我在一个新答案中的某个地方错了，请随时纠正我。我想实际上，你所联系的问题的第二个答案（有5张赞成票的那一个），而不是你所指的被接受的答案，是针对我所说的上下文的答案。不过，我还是在字里行间读。完全有可能OP并不是指Keras中的“不可训练的参数”。