【小样本基础】异质图上的元学习模型：调参记录

Batch Size

1. 参数爆炸，占用cpu资源过多时，可以适当调小batch size
2. loss震荡，可以增大batch size
   
   将batchsize从5增加到50之后，明显平滑
   

learning Rate

1. 训练过程中loss和acc抖动很厉害，此时可以考虑将学习率从调小到0.001
   

Epoch

1. 当模型已经收敛时（acc不在增加，loss不再减少时），为了加快模型的训练速度，可以适当降低epoch。
2. 当模型在所有的epoch都结束时，acc仍有上升趋势，loss仍有下降趋势，应该增加epoch。

Dropout

1. 当出现过拟合现象时，可以增大dropout，从0.1增加到0.5之后，过拟合