delta学习规则及梯度下降法

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
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