深度学习初探/01-回归问题/1-梯度下降算法Gradient Decent

最新推荐文章于 2023-05-03 15:40:35 发布

「已注销」

最新推荐文章于 2023-05-03 15:40:35 发布

阅读量97

点赞数

分类专栏： Deep Learning 文章标签：深度学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/DocManZLR/article/details/113181447

版权

深度学习初探/01-回归问题/梯度下降算法Gradient Decent

一、梯度下降算法的本质

通过迭代计算，不断调整 $x$ 的取值，从而求得函数的“极小值”

二、梯度下降算法的具体实现（类似于“二分查找”）

【 $x_1$ 】为每次迭代后所求得的“下一步 $x$ 值”;
【 $x_0$ 】为“当前 $x$ 值”;
【 $f'(x_0)$ 】为“ $f (x)$ 在点 $x_0$ 处的导数值”
【LR】Learning Rate，即学习速率，用于控制每一次迭代的“步长Step”，避免每一次调整距离过大
【 $x^*$ 】最终求得的极小值点

迭代公式： $x_1 = x_0 - f'(x_0)*LR$

最低0.47元/天解锁文章

「已注销」

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
深度学习初探/01-回归问题/1-梯度下降算法Gradient Decent

深度学习初探/01-回归问题/梯度下降算法Gradient Decent一、梯度下降算法的本质通过迭代计算，不断调整xxx的取值，从而求得函数的“极小值”二、梯度下降算法的具体实现【x1x_1x1】为每次迭代后所求得的“下一步xxx值”;【x0x_0x0】为“当前xxx值”;【f′(x0)f'(x_0)f′(x0)】为“f(x)f(x)f(x)在点x0x_0x0处的导数值”【LR】Learning Rate，即学习速率，用于控制每一次迭代的“步长Step”，避免每一次调整距离过大【x
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。