为什么在优化算法中使用指数加权平均

指数加权平均(EWM)是一种用于序列数据处理的方法,常用于平滑数据并提取趋势。在优化算法中,如Momentum梯度下降,EWM能减少摆动,加快训练速度。通过调整超参数β,可以平衡短期波动和长期趋势。β的选择影响平滑程度,0.9通常是个不错的选择。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

本文知识点:

  1. 什么是指数加权平均?
  2. 为什么在优化算法中使用指数加权平均?
  3. β 如何选择?

1. 什么是指数加权平均

指数加权平均(exponentially weighted averges),也叫指数加权移动平均,是一种常用的序列数据处理方式。

它的计算公式如下:

其中,

  • θt θ t :为第 t 天的实际观察值,
  • Vt V t : 是要代替 θt θ t 的估计值,也就是第 t 天的指数加权平均值,
  • β: 为 Vt1 V t − 1 的权重,是可调节的超参。( 0 < β < 1 )

例如:

我们有这样一组气温数据,图中横轴为一年中的第几天,纵轴为气温:

直接看上面的数据图会发现噪音很多,

这时,我们可以用 指数加权平均 来提取这组数据的趋势,

按照前面的公式计算:

这里先设置 β = 0.9,首先初始化 V00 V 0 = 0 ,然后计算出每个

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值