人工智能工程师被戏称为“调参侠”，究竟为何？

发布网友 发布时间：2022-04-22 03:52

我来回答

共1个回答

热心网友 时间：2024-01-05 14:08

确实，现在做人工智能方向的工程师，有不少被称为“调参侠”，但也并不全是。

以我自己为例，我做cv方向（计算机视觉）的， 调参在我日常工作中占的比例并不大。

在CV这块，除了超参数外，影响模型效果的主要还是要 网络结构、数据和损失函数， 这三方面确定下来后，调参基本花不了多少时间。

回归正题！

在人工智能里面，参数大致可分为2大类：

主要原因有以下2个：

目前AI人才竞争越来越激烈，“调参侠”的时代已慢慢过去，这些事情其实根本不需要AI工程师来做，未来的研发工程师就可以承担这些了！ 几年前如果熟练使用TensorFlow，同时掌握基本的AI算法就可以很容易找到一份高薪的工作，但现在不一样了，AI岗位的要求越来越高，对知识的深度也提出了更高的要求。

要想跟上时代，得武装自己，才能不被淘汰。

对于真正的人工智能工程师而言，他们往往是 从数据和特征下手的 ，同时还需要丰富的行业经验。一定要记住一句行业内的谚语， 数据和特征才决定算法 的上限，而选择的算法和参数只是决定了已*近这个上限的速度 。

算法工程师技术上讲，基本上只和数据和模型打交道。模型就是一个黑色魔法盒，而这个黑盒子就是通过数据和调参而来。

模型中有两类参数，一类我们叫权重，可学习的参数；一类叫超参，需要不停地实验，来确定下来。所谓调参就是调教的后者。当然这些实验，需要专业的设计技巧，不在本文范围之内，感兴趣的可以找吴恩达老师的书看看。

很多人说算法工程师是调参侠，没技术含量。同样都是xgb,为什么有人能拿冠军有人只能很弱？或许你会说特征工程做的好。但换到图像和文本领域，模型的基本就是搭积木，这种搭积木也算是超参，模型的层数，模型的维度。

一项超分辨率比赛，韩国某支队伍获冠军，把大家都认为理所当然的批标准化去掉，意外获得了冠军。

实践很重要，调参不可耻。调的好，可以拿冠军。甚至可以将调参经验写成一篇论文。谷歌当时就有一篇论文，暴力的将各种函数尝试了一遍，发表一篇论文。

有时候是先走实践，再猜测或推测出来的理论。对不对？别管黑猫白猫，能抓耗子就是好猫。目标为导向。

并不是所有的调音师能超出美妙的音乐。虽然就那么几个音符。调参技巧弄得好，可以*文，可以提升业务指标，带来利润。

不幸的是，大多数人一种都做不到。

厉害的调参侠，也不是那么容易当的。关键是思考，善于思考反思的人，无论是从理论还是实践，都会比机械重复的拿来主义进步快，更容易成为大侠。

调参侠其实和写程序所说的码农差不多的意味，是对从事这个行业人员的调侃。比如写程序的，刚开始都会接触增删改查的业务，做多了都会说curd一样。从事人工智能还有许多的其他名称，比如调包侠，指标奴。

人工智能的技术和知识还是很广泛的，并不只是调参。还有数据和特征工程，数学算法知识等。

专业搬砖二十年

本来就是，有几个能提出来新模型，新思路的，太难了，都是炼丹师，也很难解释为什么

这里准确来讲应该是一部分人被称为调参数侠。

本质原因

在于机器学习是从数据中提取信息，解决实际生产。学习的过程就是不断调整模型参数的过程。人工智能领域：算法、数据、算力做为主要的三个方面。算力一般有专门的人维护，所以算法实现和数据处理、模型训练是从事人工智能领域工程师的主要工作。算法实现一般都有现成的代码，如果没有，基于pytorch、tensorflow等框架实现起来也非常快。最难的是数据处理和模型训练，这一块需要花费大量的时间，所以人工智能工程师不是在调参，就是在调参的路上。

次要原因

1.企业为了创造业务收益，需要工程师快速完成工作，人工智能领域作为当下最热门的领域，很多算法模型都有现成的实现，所以只需要复制粘贴过来，快速修改模型参数，输入数据训练即可，即所谓的“调参侠”。

2.在一个领域，个人能力和经验有高低，所以对应者完成不同难度的工作。公司需要一部分人做业务开发，一部分人做研究。所以根据兴趣和能力的不同，一部分工程师被分到业务领域，每天面对的绝大多数工作都是调参数。

只会用别人的模型的人呗，其实这也是外界以及从事人工智能比较肤浅的人的一种误解和偏见。人工智能当然不能只用别人的模型。

能做出有效模型的少之又少，剩下的工程师确实就是剩下调教参数，找数据训练！[大笑]

因为算法封装之后，最高大上的就只剩下调参了，什么数据清洗，特征选取与特征工程不算什么技术活了，能干的人很多。就调参需要了解算法。

人工智能产品开发包括数据采集、预处理、数据 探索 、选择算法训练模型。训练模型主要选择梯度下降算法，通过调整激活函数、隐藏层、池化层等不同参数，达到最优解。