笔记(1):基于梯度的优化方法

这篇笔记介绍了深度学习中常用的优化算法,包括神经网络的表示,梯度下降的原理及伪代码,牛顿法的泰勒公式和优缺点,以及共轭梯度法的理论和应用。文章探讨了梯度下降在实际应用中的局限性,如局部最小值和收敛速度,并提出牛顿法和共轭梯度法作为改进方案,但同时也指出它们的计算复杂性和内存需求。
摘要由CSDN通过智能技术生成

神经网络的表示

假设一个深度神经网络有 nl 层网络,输入为 (X,y) 那么深度神经网络可以一般表示为

y=f(W,X,b)=fnl(Wnl,fnl1(Wnl1,fnl2(...f1(W1,X,b1)...,bnl2),bnl1),bnl)

即前一层的输出是下一层的输入, 也就是任意一层可以看作是关于前一层输出的函数。
训练深度神经网络,也就是使 y y 之间的误差最小,即关于 y y 的函数 L(y,y) 最小。由 y 的表达式我们可得
L(y,y)=L(y,f(W,X,b))

由于 (X,y) 已知,故求解 L(y,y) 的最小值问题又可以转化成如何调整 W 的值从而使 L 最小。
需要注意的是在前馈(forward)中,即求 y y 是关于 X 的函数,而在BP中,是调整权值 W 以使损失函数 L 达到最小。

梯度下降

对于一个函数 y=f(

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