常见机器学习和深度学习优化方法总结

本文总结了机器学习和深度学习中的优化方法,包括梯度下降法的批量、随机和小批量变体,牛顿法及其与梯度下降法的区别,以及动量法、Nesterov、AdaGrad、RMSProp和Adam等深度学习优化算法,探讨了它们的优缺点和适用场景。

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

机器学习

不管是机器学习还是深度学习,我们总是需要获得相应的优化方法获取方差的最优解,然后的到相应的模型参数去做预测,本篇博客将讨论机器学习和深度学习常用的优化求解方法。

梯度下降法

在机器学习领域,梯度下降的方法有三种,分别为:批量梯度下降(BGD)、随机梯度下降(SGD)、小批量梯度下降法MBGD,三种梯度下降方法,各有各自的优点和缺点。下面我们以 linear regression为例子来对三种梯度下降方法进行分析和比较。

对于数据而言,假设feature和label都满足线性关系,这样形成的线性模型如下所示:

在这里插入图片描述
X表示feature, θ \theta θ表示 parameter,h表示 label。直观上,我们需要训练误差最小的模型:
在这里插入图片描述
如果对目标函数求导,导数如下:

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