笔记-m个样本的梯度下降

最新推荐文章于 2024-06-14 22:02:49 发布

SoHardToNamed

最新推荐文章于 2024-06-14 22:02:49 发布

阅读量769

点赞数

分类专栏：深度学习吴恩达课程

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/SoHardToNamed/article/details/88956837

版权

深度学习同时被 2 个专栏收录

12 篇文章 0 订阅

订阅专栏

吴恩达课程

11 篇文章 1 订阅

订阅专栏

前面我们学习到单个样本的梯度下降，那么对于m个样本，我们应该如何计算呢？

首先回顾一下成本函数 $J(\omega ,b)=\frac{1}{m}\sum_{i=1}^{m}\pounds (a^{(i)},y^{(i)})$ 其中 $a^{(i)}=\hat{y}^{(i)}=\sigma (z^{(i)})=\sigma (\omega ^{T}X^{(i)}+b)$

那么m个样本便有m个特征参数 $\omega _{1},\omega_2,...,\omega_i,...$ 。其中 $\frac{\partial }{\partial \omega _1}J(\omega ,b)=\frac{1}{m}\sum_{i=1}^{m}\frac{\partial }{\partial \omega 1}\pounds (a^{(i)},y^{(i)})$

下面我们来写具体的代码

$J=0;d\omega _1=0;d\omega_2=0;db=0;$

For i=0 to m:

$z^{(i)}=\omega ^TX^{(i)}+b$

$a^{(i)}=\sigma (z^{(i)})$

$J+=-[y^{(i)}\log a^{(i)}+(1-y^{(i)})\log (1-a^{(i)})]$

$dz^{(i)}=a^{(i)}-y^{(i)}$

for j=0 to n:

$d\omega _j+=X_j^{(i)}dz^{(i)}$

$db+=dz^{(i)}$

J/=m;

for j=0 to n:

$d\omega _j/=m$

db/=m

for j=0 to n:

$\omega _j = \omega _j - \alpha d\omega _j$

$b=b-\alpha db$

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

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。