举个小例子，这里针对mobilenet-v2 有一个小的点是我着重去调整的，就是1/4 这个尺寸下，第一个bottleneck极小只有4，是否这个值太小会导致对特征的描述太弱，而调大它对网络整体计算量影响并不大，则可以尝试。
 

这里总结一下，简单说就是在当前状态找一个最需要调整的维度，有哪些维度就靠经验和他山之石了。另外，一般情况下，如果某个变量会明显提高，那么就着重优化一下它呗，也就是前文所说的在边际效用递减曲线上上升趋势比较明显的变量值得着重考虑。
 

而哪一个是最需要调整的呢，如果靠经验都想不出的时候，那就随便挑一个，因为真的可能有奇效哦。其实我的感觉是，这个人肉搜索过程其实完全可以看做是一个随机梯度下降的过程，每次自己都是用自己的评价函数找到了一个最佳维度然后往最优迭代。并且有的时候尝试的调整可以超出预期的值一定范围，例如裁窄网络之后加深的时候可以超量多加一些层，看看趋势。这个就可以好比是使用大的学习率或者时模拟退火算法了。
 

而人肉调整的好处是，我不需要每次都按相同的学习率调整，有的时候可以走一大步，节省不少迭代次数。

好，好不容易找几个模型，但是事情还没完，现在需要翻回头去在现在的结构上，再次调整之前的参数了。而在这些参数确定之后，还要再次回头把挑出来的网络结构再验证一次。因为这里存在多变量联合作用影响结果的情况，以及评价标准缺陷或者训练过程随机因素导致的偶然因素。不过这里的工作量相比之前已经不大了，因为前面已经排除掉了一些明显不行的选项嘛。