在深度学习中，超参数调理是一个重要的课题，它影响着模型的性能与效果。作为深度学习领域的大佬，吴恩达教授在chatgpt中给出了一些超参数调理的提示词，本文将会介绍这些技能。

吴恩达教授提到了超参数的散布，他建议使用对数均匀散布。对数均匀散布可将超参数范围划分为若干个区间，每一个区间的长度都是一致的，并且在每一个区间内均匀的生成参数值，从而保证了参数的均匀性和覆盖性。这类散布方式可使参数在一定的范围内随机化，并且能够覆盖到大部份的可能值。

吴恩达教授强调了超参数的优化方法，他认为随机搜索和网格搜索是目前最好的搜索方法。随机搜索是一种无偏的搜索方法，可以免因搜索方向区别而酿成的偏向，而且速度不错、效果好。网格搜索能够全面而系统地搜索每一个参数的值，但是其缺点是会产生大量的参数组合，可能会使资源和时间投入过量。

吴恩达教授还建议使用交叉验证来评估超参数的性能。经常使用的评估指标包括准确率、召回率、F1值等，这些指标能够反应模型在区别数据集上的泛化能力和效果。通过交叉验证的方式，可以在区别的数据集上评估模型的性能，从而更好地选择超参数。

吴恩达教授提到了学习率的选择。学习率是指模型在每次更新时，调剂参数的大小。他强调了学习率的重要性，并建议使用自适应学习率算法，例如Adam、Adagrad等，来调理学习率。自适应学习率算法能够根据模型的性能和效果，自动调剂学习率的大小，从而提高模型的收敛速度和性能。

在进行深度学习中的超参数调理时，我们应当采取对数均匀散布的方式生成参数值，在随机搜索和网格搜索这两个方法之间灵活选择，使用交叉验证来评估模型的性能，选择自适应学习率算法来调理学习率。这些都是吴恩达chatgpt中提到的超参数调理技能，希望能对大家有所帮助。