神经网络的参数通常是连接的权重。在这种情况下，这些参数是在训练阶段学习的。因此，算法本身（和输入数据）会调整这些参数。

超参数通常是学习率、批量大小或时期数。之所以称为“超级”，是因为它们会影响您的参数的学习方式。您可以根据需要优化这些超参数（取决于您的可能性）：网格搜索、随机搜索、手动搜索、使用可视化...很好。

如果您想更多地了解机器学习中的超参数和一般参数，请查找“深度学习与浅层学习”。

我将模型参数描述为神经网络的架构选择，即有多少层、每层的节点数、单元的类型（sigmoid、tanh 等），而超参数是诸如学习率、动量之类的东西，正则化系数等。对于任何给定的神经网络架构，都需要在训练期间调整超参数。