知识卡片
梯度下降更新参数
梯度下降根据损失对参数的导数更新参数:新参数等于旧参数减去学习率与导数的乘积。局部斜率为正时向较小参数移动,为负时向较大参数移动;学习率控制步长。多个参数时分别计算损失对各参数的偏导数,再同时更新各参数。反复更新不保证找到全局最小值,初始位置可能使过程停在局部最小值。
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
原书出处 · 1 处
- 机器学习基础 1.1 案例学习 · 查看原书依据
对于这个问题,梯度下降(gradient descent)是最常用的优化方法.
参考来源
- 位置:《深度学习详解》第1章《机器学习基础》1.1 节(来源项目 book-source:`extracted/深度学习详解/_epub-src/OEBPS/Text/Chapter01.xhtml`)
- 结论依据:原文以视频观看量预测说明模型、损失与参数优化;相关公式图片已核对。
- 原始内容:对于这个问题,梯度下降(gradient descent)是最常用的优化方法.