深度学习初探/01-回归问题/1-梯度下降算法Gradient Decent

原创

于 2021-02-04 21:30:13 发布 · 179 阅读

·

0

·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

文章标签：

本文深入探讨了梯度下降算法在深度学习初探中的核心作用，阐述了其本质是通过迭代寻找函数极小值。详细解释了迭代公式，并分析了学习速率（Learning Rate）对优化效率的影响。接着，文章介绍了线性回归、逻辑回归以及分类问题，展示了这些基础概念在深度学习中的应用。

深度学习初探/01-回归问题/梯度下降算法Gradient Decent

一、梯度下降算法的本质

通过迭代计算，不断调整 $x$ 的取值，从而求得函数的“极小值”

二、梯度下降算法的具体实现（类似于“二分查找”）

【 $x_1$ 】为每次迭代后所求得的“下一步 $x$ 值”;
【 $x_0$ 】为“当前 $x$ 值”;
【 $f'(x_0)$ 】为“ $f (x)$ 在点 $x_0$ 处的导数值”
【LR】Learning Rate，即学习速率，用于控制每一次迭代的“步长Step”，避免每一次调整距离过大
【 $x^*$ 】最终求得的极小值点

迭代公式： $x_1 = x_0 - f'(x_0)*LR$

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。