950.以下哪个不是深度学习模型训练中的常见超参数?

题干：以下哪个不是深度学习模型训练中的常见超参数？ 选项分析： A：学习率 学习率是深度学习中最关键的超参数之一，用于控制每次参数更新的步长。学习率的选择直接影响模型的收敛速度和最终性能，因此属于典型超参数。 B：批量大小 批量大小（Batch Size）指每次迭代中用于计算梯度的样本数量。它影响内存使用、训练稳定性和泛化能力，是训练过程中需要手动设定的重要超参数。 C：模型深度 模型深度指神经网络中层的数量，例如卷积层数或全连接层数。虽然在某些自动化方法中可能被优化，但通常由设计者在构建网络结构时预先设定，因此也被视为一种超参数。 D：损失函数 损失函数用于衡量模型预测值与真实标签之间的差异，是模型训练的目标函数。虽然损失函数对训练至关重要，但它不属于“超参数”，而是模型的组成部分。超参数是用于调节模型训练过程的外部配置参数，而损失函数本身是一个函数选择问题，其形式不是通过调优来决定的数值参数。因此，损失函数不归类为超参数。 正确答案：D 核心知识点讲解： 超参数（Hyperparameter）是指在机器学习模型训练开始前需要人为设定的参数，它们不能通过训练数据直接学习得到。常见的超参数包括学习率、批量大小、正则化系数、网络层数（模型深度）、每层神经元数量、优化器类型、激活函数等。 相比之下，模型参数（如权重和偏置）是在训练过程中通过反向传播和梯度下降自动更新的。 损失函数虽然是训练所必需的，但它是一种结构性选择，不属于可调节的数值型超参数。例如，分类任务常用交叉熵损失，回归任务常用均方误差，这些是根据任务性质决定的，而非训练过程中的调参对象。 因此，损失函数不是超参数，选项 D 正确。