確實，現在做人工智能方向的工程師，有不少被稱為“調參俠”，但也并不全是。

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占的比例并不大。

在CV這塊，除了超參數外，影響模型效果的主要還是要網絡結構、數據和損失函數，這三方面確定下來后，調參基本花不了多少時間。

回歸正題！

調參俠，到底調什么參？

在人工智能里面，參數大致可分為2大類：

1. 參數(parameters)/模型參數：由模型通過學習得到的變量，比如權重w和偏置b，這個多半是不能調節的，它是由神經網絡自己學習出來的。

2. 超參數：在機器學習中，超參數是在神經網絡訓練之前設置值的參數，而不是通過訓練得到的參數數據。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，需要對超參數進行優化，給學習機選擇一組最優超參數，以提高學習的性能和效果。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。

為什么會被稱為“調參俠”？

主要原因有以下2個：

1. 多半是剛入門的算法工程師做的事情，他們不是很懂神經網絡的結構、數據分布等等，只能通過調整超參數，以期望獲得較好的結果，這樣有時候是可行的；

2. 更重要的原因是，GitHub上開源了很多模型，并附上了預訓練參數，如常用的檢測、分割、分類等等，這些模型都非常成熟，大部分直接調用就可以，然后根據自己的訓練數據，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，開源項目已經可以做到這點了，所以大多數只要調參即可。

怎么避免成為“調參俠”

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算法就可以很容易找到一份高薪的工作，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。

對于真正的人工智能工程師而言，他們往往是從數據和特征下手的，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，數據和特征才決定算法的上限，而選擇的算法和參數只是決定了已逼近這個上限的速度。