我們必須選擇多個超參數來定義和訓練模型。我們仰賴直覺、例子和最佳做法建議。不過，我們最先設定的超參數值可能無法產生最佳結果。這只是提供訓練的好起點。每個問題都不相同，因此調整這些超參數有助於修正模型，以更準確地反映現有問題的具體細節。以下說明我們使用的幾個超參數，以及如何調整這些參數：
模型中的層數：類神經網路中的層數是其複雜程度的指標。選擇這個值時請務必謹慎。過多層會讓模型學習過多有關訓練資料的資訊，進而導致過度配適。層數太少會限制模型的學習能力，導致資源不足。以文字分類資料集來說，我們實驗了單層、雙層和三層機器學習功能。具有兩個層的模型成效良好，在某些情況下甚至比三層模型更好。同樣地，我們也試出了 4 層和 6 層的 sepCNN，而 4 層模型的執行效能也非常好。
每個圖層的單位數：圖層中的單元必須保存圖層執行轉換的資訊。對第一層而言，則取決於特徵數量。在後續圖層中，單元數量取決於從上一層展開或縮小表示法的情形。盡量減少層間資訊遺失的情況。我們嘗試了
[8, 16, 32, 64]範圍內的值，所以 32/64 單位的效果不錯。放棄率：模型在模型中用於正規化。可定義要捨棄的輸入比例做為預防過度的預防措施。建議範圍：0.2–0.5。
學習率：這是類神經網路權重在疊代之間變更的頻率。較長的學習率可能會導致權重出現大幅波動，而且我們可能找不到最理想的值。學習率偏低，但模型會佔用更多疊代次數。一開始可以先從 1e-4 開始。如果訓練速度非常慢，請提高這個值。如果模型不是學習模式，請嘗試降低學習率。
我們另外針對 sepCNN 模型提供了幾個額外的超參數：
核心大小：卷積視窗的大小。建議值：3 或 5。
嵌入維度：我們用來表示字詞嵌入的維度數量，也就是每個字詞向量的大小。建議值：50 至 300。在我們的實驗中，我們使用預先訓練的嵌入層和 200 個維度的 GloVe 嵌入功能。
嘗試使用這些超參數，看看哪個參數效果最好。依據用途選擇使用成效最佳的超參數後，就可以開始部署模型。