深度学习(7):Mini-batch梯度下降法

batch梯度下降法

在前面的学习当中,对于神经网络的每次迭代,我们都是以整个训练集X为单元进行训练。这种训练方法也叫batch梯度下降法。
由于跑完整个X后才能更新参数,当数据量较大时,每次迭代的时间会非常长。
batch梯度下降法的代价函数一定会严格递减。

为例减小每次跌打的时间,我们试图缩小每次迭代的数据量

随机梯度下降法

在这个方法中,我们每次迭代只训练一组数据,然后就更新参数。
这样做的问题在于,完全没有办法利用到向量化的加速。
随机梯度下降法的代价函数不一定会严格递减,因为对应着不同的数据,偏差可能大不相同。某些数据可能是特殊点。所以只能做到总体趋势上代价函数在递减。

Mini-batch梯度下降法

综合上面两个方法的利弊,我们的batch既不能取m,也不能取1,应当取一个适当的数。在实际操作中,往往取64-512的2的幂次的数据。这样做既能加快迭代速度,又能充分利用向量化的优势。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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