机器学习入门~梯度检测

最新推荐文章于 2024-01-17 15:37:20 发布

「已注销」

最新推荐文章于 2024-01-17 15:37:20 发布

阅读量566

点赞数

分类专栏：机器学习文章标签：机器学习

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/fatfairyyy/article/details/114829958

版权

本文介绍了梯度检测在神经网络中的作用，它能帮助消除梯度下降过程中的错误。通过双侧差分近似计算切线斜率，以验证反向传播算法的正确性。总结了梯度检测的实现步骤，并提醒在运行算法前禁用以提高效率。此外，作者宣布停止更新机器学习笔记，转向深度学习和神经网络的学习。

摘要由CSDN通过智能技术生成

梯度检测

什么是梯度检测：
在神经网络或其他复杂的模型下使用前向传播，反向传播时，如果使用梯度下降来寻找参数，那么使用梯度检测会100%地消除梯度下降过程中产生的bug。
一个例子：假设有一个代价函数J(Θ)

在横轴上取一点θ(θ∈R)，则这一点的导数对应于图像上在该点的切线斜率👇。

计算该点切线的斜率，可以做一个近似，即：

最低0.47元/天解锁文章

「已注销」

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
机器学习入门~梯度检测

梯度检测什么是梯度检测：在神经网络或其他复杂的模型下使用前向传播，反向传播时，如果使用梯度下降来寻找参数，那么使用梯度检测会100%地消除梯度下降过程中产生的bug。一个例子：假设有一个代价函数J(Θ)在横轴上取一点θ(θ∈R)，则这一点的导数对应于图像上在该点的切线斜率????。计算该点切线的斜率，可以做一个近似，即：在θ附近分别取点 θ+ε 和 θ-ε（易知ε为很小的值），两点在曲线上表现为 (θ+ε,J(θ+ε))和(θ-ε,J(θ-ε))，两点的割线斜率即可近似为θ点在曲线上的切
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。