梯度下降算法中的Adagrad和Adadelta

梯度下降算法

目录

Adagrad

与梯度下降不同的是,更新规则中,对于学习率不在设置固定的值,每次迭代过程中,每个参数优化时使用不同的学习率。
假设 某次迭代时刻t, gt,i=θJ(θi) 是目标函数对参数的梯度,普通的随机梯度下降算法,对于所有的 θi 都使用相同的学习率,因此迭代到第t次时,某一个参数向量 θi 的变化过程如下:

θt+1,i=θt,iηgt,i

而在Adagrad的更新规则中,学习率 η 会随着每次迭代而根据历史梯度的变化而变化。
θt+1,i=θt,iηGt+ϵ
  • 2
    点赞
  • 40
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值