Mac-blog客户端，配置

20170701_03_GradientDescend.md—/Users/haoyou/Codes/MyLogs

机器学习

梯度下降

• 可导函数在任一点的梯度是自变量空间中的一个向量（二元函数的梯度是 xy 平面上的向量，而不是 xyz 空间里的向量）
• 函数图形在这一点的切平面的法向量投影在自变量空间中，就是该点梯度的反方向。
• 某点的梯度是函数以及它的切平面在该点上升最快的方向，即方向导数最大的方向。梯度的长度（模）就是在该方向的方向导数（变化率）。
• 梯度向任何自变量空间方向的投影的长度（模）是函数在该方向上的方向导数（变化率）。
• 梯度可以是 0 向量。在梯度为 0 向量的点上各方向的变化率都为 0 。这是函数达到极大／极小值的一阶必要非充分条件（例如鞍点不是极大／极小值，但是梯度也为 0 ）。

caffe 中gradient checker

• 采用的差分法

//Compute derivative of top w.r.t. each bottom and parameter input using finite differencing.

• 源码：

estimated_gradient = (positive_objective - negative_objective) / stepsize_ / 2.;

public class HelloWorld{
    public static void main(String[] args){
        System.out.printly("Hello World!");
    }
}

#include <stdio.h>
using namespace std;

int main(){
    print("hello world!");
    return 0;
}

转载于:https://www.cnblogs.com/yizhichun/p/7106928.html