吴恩达笔记——神经网络基础(四):梯度下降法

这篇博客介绍了神经网络基础中的梯度下降法,包括概念、参数初始化、单参数及多参数的梯度下降更新规则,并详细讲解了在Logistic回归中如何应用梯度下降法进行模型训练。

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

吴恩达笔记——神经网络基础(四):梯度下降法

上一节讲到损失函数和成本函数
损失函数:用于衡量单一样本的算法效果
成本函数:用于衡量参数w和b的效果,在全部训练集上的效果
在这里插入图片描述
1)梯度下降法概念
利用训练集在成本函数上使用梯度下降法,获取参数w和b。
a)初始化w和b(对于Logist回归,任意w和b均有效),通常用0做初始化
b)沿着函数J下降最快的方向迭代(w和b)
c)迭代后,J收敛到全局最优解,即最小值处
在这里插入图片描述
以单参数J(w)函数为例,梯度下降参数更新方法如下:
在这里插入图片描述 在这里插入图片描述
无论初始值在哪一侧,梯度下降法都会使成本函数朝着最优方向移动;
当成本函数有多个参数时,梯度下降参数更新方法如下:
在这里插入图片描述
2)Logis

评论 1
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