1、mini-batch 梯度下降法
使用 batch 梯度下降法时，每次迭代你都需要历遍整个训练集，可以预期每次迭代成本都会下降，所以如果成本函数𝐽是迭代次数的一个函数，它应该会随着每次迭代而减少，如果𝐽在某次迭代中增加了，那肯定出了问题，也许学习率太大。
使用 mini-batch 梯度下降法，如果你作出成本函数在整个过程中的图，则并不是每次迭 代都是下降的
如果 mini-batch 的大小等于𝑚，其实就是 batch 梯度下降法
另一个极端情况假设 mini-batch 大小为 1，就有了新的算法，叫做随机梯度下降法
2、指数加权平均数（Exponentially weighted averages）
如果𝛽是 0.9，这是十天的平均值。
（这是微积分的知识） 这里的epsilon=1-θ
1/e ≈0.34 因此结合起来我们知道当日子超过了1/epsilon，那这个权重只占了1/3 很少很少了。
所以说
3、指数加权平均的偏差修正
偏差修正就是在初期让平均值除以一个小值让初期变大，接近实际值。
4、动量梯度下降法（Momentum）
原本是W=W-αdW
b=b-αdb 其中α是学习率
这样的梯度下降每一步都是独立的 不会跟之前累积的微分d相关
因此我们使用
同理b=
这样就可以减缓梯度下降的幅度。因为每次梯度下降的v都是跟之前累积的相关的，类似动量的累积，或者说惯性。
动量梯度下降有两个超参数，学习率𝑎以及参数𝛽，𝛽控制着指数加权平均数。𝛽最常用的值是 0.9，我们之前平均了过去十天的温度，所以现在平均了前十次迭代的梯度。
加快梯度下降的原理：
当v累积了之前的变化时候，在上下方向的变化就会正负抵消近乎于0，但是横轴变化不会抵消，因此，将紫色的变化曲线变成蓝色的变化曲线，即上下变化缓慢，更快到达最优解，来加快梯度下降。动量梯度下降的β越大，上下变化越缓慢。
5、RMSprop
这里的S相当于上述的V
这样可以让数值的更新更加稳定，太快的减缓，太慢的加速。
6、Adam优化算法
Adam 优化算法基本上就是将 Momentum 和 RMSprop 结合在一起。（以下描述中 V一般关于Momentum，S关于RMSprop）
（1）初始化
（2）
β1是Momentum 的超参数，β2是RMS的超参数
（3）使用Adam一般需要偏差修正
V和S都需要
（4）更新权重的时候由于加入了RMSprop，所以需要除一个Sdw的平方根 加上ε是因为防止除的太小导致这个分数无穷大
其中有一些超参数：学习率α、β1（通常0.9）、β2（通常0.999）、ε（10^-8，当然ε也可以忽略）
7、学习率衰减
一开始学习率较大，梯度下降的幅度大，到学习末期为了能够收敛到最优解附近的一个局部小范围，我们需要把学习率调低（自动地），因此需要根据迭代周期（epoch）来减小学习率α，有许多公式比如
每遍历一次数据集 学习率就降低
8、超参数的取值
首先，超参数取值不能均匀取，必须随机取点
其次，推荐用对数刻度轴，比如0.0001~1的范围 不用均匀刻度，否则0.0001-0.1这个范围只占了10%的概率，应该用log 对数坐标（类似bode图）
9、归一化激活函数
归一化输入特征可以加快学习过程。
对于任何一个隐藏层，我们也可以归一化它的a，以此来更快训练w和b，因为这一层的a是下一层的输入，会影响下一层的w和b的训练。这就是Batch 归一化。
我们通过上式来归一化得到Z_norm
并且如果我们加入了γ和β这俩个新的参数，根据公式
我们可以对
进行任意设置平均数和方差，这里的β不同于momentum里的β
回顾一下 z1=w1x+b1，a1=g（z1），z2=w2a2+b2。这里的g是激活函数
10、Batch归一化的原理
Batch使之前层更新的参数不管怎么变化，至少他们的均值和方差也会是均值 0，方差 1。也就是说，其减弱了前层参数的作用与后层参数的作用之间的联系，它使得网络每层都可以自己学习，稍稍独立于其它层，这有 助于加速整个网络的学习。
Batch 归一化还有一个作用，它有轻微的正则化效果。因为每一个mini-batch的均值和方差都不一样，导致会产生噪声，因此类似dropout，Batch归一化可以细微的正则化，因为会给隐藏单元添加小噪声，这迫使后部单元不过分依赖任何一个隐藏单元。
11、Softmax回归
除以ti的求和是为了归一化让概率处以0-1之间，用指数形式的z是为了让z的负数部分也转成正数（负数的概率没有意义）
Softmax激活函数比logistics激活函数的优点就在于softmax更适合于多分类问题，而logistics一般适合二分类问题
在 Softmax 分类中，我们一般用到的损失函数是
1190
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
