不幸的是，即使有大量的训练数据，超参数的选择也会强烈影响训练模型的性能。

当你有大量训练数据时，你通常可以放弃的是正则化。如果您的训练示例涵盖了您正在学习的函数空间，那么就很难过度拟合训练数据。正则化选择也是超参数，因此您可以通过忽略它们来节省一些搜索空间和时间。

如果我们有足够数量的随机数据来训练我们的 ANN 模型，我们是否需要超参数调谐器？

拥有大量数据可能意味着您可以使用更简单的“蛮力”架构和设计，并且最终结果在更广泛的超参数选择中是稳健的。

您可能仍然希望至少稍微调整超参数。通过手动编辑和重试来驱动这种调整可能很乏味，而自动调整器可以提供帮助。

您不需要超参数调谐器，但它可以在各种情况下提供帮助。例如，如果您的模型训练不好，也许使用调谐器会有所帮助。

很难说你会在你的特定模型中翻转哪些超参数，但是对于某些特定的超参数，如果你选择了一个错误的值，你的模型将不会学习或发散。以学习率为例，如果你选择的值太高，它会超过最小值，错误可能会不断增长（发散），或者如果你选择的值太低，它会陷入局部最小值而无法继续学习。您可以拥有世界上最大的数据集，但如果您没有为学习率选择正确的范围，模型将无法正确学习。

一般来说，如果您对特定的超参数范围没有信心，那么无论您的数据集大小如何，超参数调整都是一个有用的工具