在PyTorch中优化模型训练的超参数是一个关键步骤，它对于提高模型的性能和收敛速度至关重要。以下是一些常用的超参数优化方法：
超参数优化方法
- 手动调整：通过手动更改代码中的超参数数值来进行调整。这种方法比较简单粗暴，但对于简单的模型或者初步的调优可以尝试。
- 网格搜索：通过网格搜索方法在给定的超参数范围内进行穷举搜索。可以使用
itertools.product 生成所有可能的组合，并在每个组合上训练模型，然后选择效果最好的超参数组合。
- 随机搜索：与网格搜索不同，随机搜索是随机选择超参数的组合进行训练。这种方法相对更高效一些，因为不需要穷举所有可能的组合。
- 使用超参数优化算法：还可以使用一些专门设计的超参数优化算法，如贝叶斯优化、Hyperband、Population-based Training等。这些算法可以更有效地搜索超参数空间，并在有限的资源下找到最优的超参数组合。
超参数优化工具
- PyTorch Lightning：提供了方便的接口来进行超参数优化，可以使用PyTorch Lightning的
Trainer类和其内置的调度器来调整超参数。
- Optuna：专为机器学习而设计，是一个黑盒优化器，适合用于超参数优化。
- Scikit-Optimize：是一个用于超参数优化的开源库，基于顺序模型的优化库，称为贝叶斯超参数优化