深度卷积神经网络超参数的自动优化：基于标上升的增强网格搜索

采用相同深度的卷积神经网络模型，因超参数组合不同，将导致结果显著差异。通过调整超参数配置，可提升模型性能。然而，超参数优化通常需耗费大量计算资源与时间。因此，提高超参数优化效率至关重要。本研究采用坐标上升法，该方法仅为各超参数提供初始候选值；在每次迭代中，仅改变对模型影响最大的单一超参数，逐步扩展搜索网格，直至准确率收敛。该方法使我们能够高效且自动地寻找到可提升模型准确率的超参数组合。实验结果表明，使用MWD数据集时，经超参数优化后的模型在验证集上达到95.71%的准确率，该超参数组合可视为近似全局最优解。此外，该超参数组合邻域内的性能表现稳定，进一步验证了本超参数优化策略的鲁棒性。