深度学习的梯度下降
先随便选择一个初始值,之后不断地更新,从而找到正确的w权重和b偏置的调整方向,之后一直调整直到得到一组最合适的w和b。
线性模型
将输入的数据乘上一个权重w再配上一个偏置b所得到的模型就是线性模型,比较简单。
针对线性模型还是有很多优化方法,比如分段线性模型:“由于线性模型的表达式过于简单,当x越大时y一定越大,不能很好的将x与y之间的复杂关系完美地表达出来,所以加上一个 Hard Sigmoid 函数以及不同的w和b之间的排列组合可以得到一个曲线函数图像,能更好地展示出x与y之间的复杂关系。”
模型形变
由于线性模型本身的局限,所以对其进行变换以追求模型中的非线性关系。
再结合激活函数和神经元,不断地修改w和b以达到对于非线性关系地更好描述以及减少预测的误差。