知识卡片
反向传播求梯度优化器决定更新
前向传播产生输出并计算损失,反向传播求损失对可训练参数的导数,优化器据梯度和自身状态更新参数。梯度描述局部敏感性,不能简单当成参数对全部错误的因果贡献;冻结权重不更新,也不代表所有相关反向计算都可删除。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 微调
原书出处 · 1 处
- · 查看原书依据
梯度是通过求解损失函数对每个可训练参数的导数得到的。每个可训练参数都对应一个梯度
参考来源
- 位置:《AI工程:大模型应用开发实战》第7章《微调》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/AI工程:大模型应用开发实战/_epub-src/EPUB/xhtml/Section015.xhtml)
- 结论依据:原文定义、条件、机制或比较支持上述说明,案例数据限于原书语境。
- 原始内容:梯度是通过求解损失函数对每个可训练参数的导数得到的。每个可训练参数都对应一个梯度