第2章 梯度下降法
深度学习的核心任务就是通过样本数据训练一个函数模型，或者说找到一个最佳的函数表示或刻画这些样本数据。求解最佳的函数模型归结为一个数学优化问题，更准确地说求某种损失函数的最值（极值）问题。深度学习中都是用梯度下降法求解这个最值问题或者说求解模型参数的。
本章从函数极值的必要条件出发介绍了梯度下降法算法的理论根据、算法原理与代码实现，并介绍了梯度下降法中对求解变量（参数）进行更新的不同优化策略。
第2章 梯度下降法
还有 99% 的精彩内容
©著作权归作者所有,转载或内容合作请联系作者
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。
支付 ¥11.99 继续阅读
推荐阅读更多精彩内容
- 一、梯度 导数：反映的是函数y=f(x)在某一点处沿x轴正方向的变化率。 方向导数：某一点在某一趋近方向上的导数值...
- 什么是优化算法 优化算法要求解的，是一个问题的最优解或者近似最优解。在机器学习中，有很多问题都是优化问题，即我们要...
- 梯度下降法（Gradient Descent，GD）是一种常用的求解无约束最优化问题的方法，在最优化、统计学以及机...
- 转载-刘建平Pinard-www.cnblogs.com/pinard/p/5970503.html 在求解机器学...
- 梯度下降法简介 多元线性回归中的梯度下降法 随机梯度下降法 梯度下降法 的调试 1.梯度下降法简介 不是一个机器学...
