delta学习规则及梯度下降法

BloodSweet

于 2018-05-31 22:34:50 发布

阅读量3.7k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： Deep Learning

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。

本文链接：https://blog.youkuaiyun.com/equinux/article/details/80531157

Deep Learning 专栏收录该内容

3 篇文章

订阅专栏

本文探讨了Delta学习规则中的代价函数概念，并分析了误差E作为权向量Wj的函数时如何通过梯度下降法实现最小化。文中指出了梯度下降法存在的两个主要问题：学习率的选择困难以及容易陷入局部最优解。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Delta学习规则

代价函数(Cost Function, Lost Function)

其中，误差E是权向量Wj的函数。欲使误差E最小，Wj与误差的负梯度成正比，即：

梯度下降法的问题

1. 学习率难以选取，太大会产生震荡，太小会收敛缓慢

2. 容易陷入局部最优解

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。