確實，現在做人工智慧方向的工程師，有不少被稱為「調參俠」，但也並不全是。
以我自己為例，我做cv方向（計算機視覺）的， 調參在我日常工作中佔的比例並不大。
在cv這塊，除了超引數外，影響模型效果的主要還是要網路結構、資料和損失函式，這三方面確定下來後，調參基本花不了多少時間。
回歸正題！
在人工智慧裡面，引數大致可分為2大類：
引數(parameters)/模型引數：由模型通過學習得到的變數，比如權重w和偏置b，這個多半是不能調節的，它是由神經網路自己學習出來的。
超引數：在機器學習中，超引數是在神經網路訓練之前設定值的引數，而不是通過訓練得到的引數資料。常見的有學習率、迭代次數、隱藏層的層數、每層神經元的個數等。通常情況下，需要對超引數進行優化，給學習機選擇一組最優超引數，以提高學習的效能和效果。這一般是根據經驗進行設定，影響到權重w和偏置b大小的數值。
主要原因有以下2個：
多半是剛入門的演算法工程師做的事情，他們不是很懂神經網路的結構、資料分布等等，只能通過調整超引數，以期望獲得較好的結果，這樣有時候是可行的；
更重要的原因是，github上開源了很多模型，並附上了預訓練引數，如常用的檢測、分割、分類等等，這些模型都非常成熟，大部分直接呼叫就可以，然後根據自己的訓練資料，稍加修改，就可以得到非常好的結果。公司只要結果，不要求創新，開源專案已經可以做到這點了，所以大多數只要調參即可。
目前ai人才競爭越來越激烈，「調參俠」的時代已慢慢過去，這些事情其實根本不需要ai工程師來做，未來的研發工程師就可以承擔這些了！ 幾年前如果熟練使用tensorflow，同時掌握基本的ai演算法就可以很容易找到乙份高薪的工作，但現在不一樣了，ai崗位的要求越來越高，對知識的深度也提出了更高的要求。
要想跟上時代，得武裝自己，才能不被淘汰。
對於真正的人工智慧工程師而言，他們往往是從資料和特徵下手的，同時還需要豐富的行業經驗。一定要記住一句行業內的諺語，資料和特徵才決定演算法 的上限，而選擇的演算法和引數只是決定了已逼近這個上限的速度。
人工智慧領域，還有一群從業者躲在牆角瑟瑟發抖，那就是大家說的調參師。乙個神經網路從理論到落地，有這麼幾個階段，乙個是模型構建，就是把別人**裡的網路搭建起來。然後是模型訓練，把自己需要的資料準備好，然後部署到顯示卡上去跑，這個過程有很多引數要調，很玄，屬於老中醫看病，全靠經驗，妙，不可言。一名調參師的日常是這樣的：
調參師接到需求，第一件事就是去github和各種框架的model zoo上當搬運工。調參師沒有設計網路的能力，如果github上沒有，就只能看**動手擼了，不僅費時費力，出了bug還得到處求人。
資料準備好了，調參師就開始調參了。嗯，先用預設值來一遍，不行，試試小一點的lr呢？不行，換個initializer試試？艾瑪，一不小心過擬合了，快快快，加大正則，加大正則還有救。
為什麼人工智慧落不了地？
人工智慧 行業擁有極為廣闊的想象空間和市場前景，而這也是幾年前人工智慧產業尚處於投資風口時，人工智慧創業企業向各路投資人反覆宣講的故事。但幾年過去了，在很多傳統行業，如醫療 教育 物流 交通以及城市管理等等，人工智慧的發展仍然處於小範圍試點階段，或者發揮著並不重要的作用，總體來說，有亮點，無驚喜。這...
為什麼人工智慧現在這麼火？
舊金山 今年，人工智慧進入主流業務，至少，已經成為了乙個市場度很高的賣點。saleforce此舉搶占了先機。oracle 世界上最大的軟體業務公司，在週日晚上於舊金山開始了全球客戶大會。大會最大的亮點是大資料的實時分析。oracle稱它為oracle a.i.另外，通用電氣發布了叫做predix的a...
《人工智慧工程師》回歸樹模型
當資料不是離散型變數而是數值或者連續值時，可以用回歸樹模型進行劃分。回歸樹模型的本質是對樣本空間的劃分。劃分的區域不相交的子區域。注意 區域rj中的樣本的結果是所有的樣本點取平均得到的結果。rss的偏差，這個是指預估結果和真實結果的差異。yi是真實值，yrj是指預估值 最小二分法 為什麼計算量大？空...