A súlyokat megtanuljuk. A hiperparamétereket kiválasztjuk. A tanulási ráta, a köteg mérete, a rétegek száma, a kiesési arány és a regularizáció erőssége mind ebbe a kategóriába tartozik. Ezek szabályozzák a betanítás menetét és a modell strukturálását.

A rossz elkövetés idő- és számítási pazarlással jár. A túl magas tanulási ráta divergenciát okoz. A túl alacsony feltérképezési sebesség. A köteg mérete befolyásolja a gradiens zajt és a memóriahasználatot. A mélység és a szélesség határozza meg a kapacitást, amelynek meg kell egyeznie a feladat összetettségével és az adatok méretével.

Gyakori hangolási módszerek

• Rácskeresés egy rögzített halmazon
• Véletlenszerű keresés szélesebb körű lefedettség érdekében
• Bayes-optimalizálás a hatékonyság érdekében
• Populációalapú képzés
• Intuíció által vezérelt manuális hangolás

A finomhangolás költséges. Minden konfiguráció teljes betanítási futtatást igényel, és a keresési terület gyorsan növekszik. A tapasztalt szakemberek a terület ismeretével szűkítik a területet az automatizálás előtt, ami gyakran jobb, mint a nyers erővel történő keresés.