随机梯度下降(SGD)

本文介绍了随机梯度下降(SGD)在大规模数据集上优化模型的优势,对比了它与传统梯度下降的区别。SGD通过每次使用单个样本的损失函数求偏导更新参数,加快了收敛速度。文章探讨了SGD的迭代收敛条件,并提出不建议使用损失函数值或参数变化微小作为判断标准,而是推荐通过控制迭代次数来终止迭代。
摘要由CSDN通过智能技术生成

关于什么是梯度下降,请看我之前发的一个博文:http://blog.csdn.net/lilyth_lilyth/article/details/8973972

梯度下降能帮助我们找到局部最优值,取得很小的损失,但是在数据量达到数十万时,迭代次数高,运算速度慢,十分不适合。这时候可以考虑使用随机梯度下降算法。

所谓随机梯度下降是   每次用 每个样本的损失函数(即样本数为1时的损失函数)对theta求得的偏导,来跟新theta值。

对梯度下降中的例子我们采取随机梯度下降来解:

第i个样本数据为Xi,对应单个损失函数对theta的偏导数为:


算法伪代码:

for i=1 to m{
   theta_j=theta_j-gamma*grad_i;(for every j)
}


评论 7
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