本文深入解析了机器学习中的梯度下降算法，探讨其在优化代价函数中的作用，同时介绍了反向传播过程及激活函数对神经网络的影响，解释了万能逼近定理，最后对损失函数的概念进行了阐述。
1、如何理解梯度下降？谈一谈对梯度下降的理解？
机器学习 101：一文带你读懂梯度下降-云栖社区-阿里云
梯度下降算法是很常用的算法，可以将代价函数J最小化。
梯度下降和优化器的联系
2、如何理解反向传播？
反向传播过程
3、激活函数的理解？
激活函数 of 神经网络
激活函数对神经网络的影响 - 万能逼近能力
看到使用了激活函数之后，神经网络可以通过改变权重实现任意形状，越是复杂的神经网络能拟合的形状越复杂，这就是著名的神经网络万有逼近定理。
cross_entropy
Tensorflow编程基础之Mnist手写识别实验+关于cross_entropy的理解 - 西红柿炒蛋就加糖！ - 博客园
https://www.cnblogs.com/kerwins-AC/p/9948841.html
4、损失函数的理解？
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
