线性回归和基础优化算法（李沐深度学习课程，自用）

小姚今天有好好学习嘛

已于 2022-06-06 17:51:55 修改

阅读量135

点赞数

分类专栏： Pytorch学习笔记文章标签：线性回归算法回归

于 2022-06-02 15:22:29 首次发布

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/qq_43199042/article/details/124783896

版权

Pytorch学习笔记专栏收录该内容

3 篇文章

订阅专栏

线性回归

平方损失定义：

$\zeta (y,\widehat{y})=\frac{1}{2}(y-\widehat{y})^{\2}$

前有一个1/2是因为在求导时可以消去。

线性回归可以看作是单层的神经网络模型。

基础优化算法

梯度下降

$W_{t}=W_{t-1}-\eta \frac{\partial \iota }{\partial W_{t-1}}$

（1）学习率

$\eta$ 是学习率，属于超参数，需要人为指定

太小会导致算法计算量过大且易陷入局部最优（个人理解）

太大会导致很难收敛（个人理解）

（2）小批量梯度下降

一般使用的方法为小批量梯度下降，即选取原始数据中的一小部分计算损失函数。小批量的大小b也是一个超参数。（计算所有原始数据梯度的计算量过大）

小批量梯度下降一般是深度学习默认算法，优点：稳定简便

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。