1. 损失函数 在线性回归分析中，假设我们的线性回归模型为： 样本对应的正确数值为： 现在假设判别函数的系数都找出来了，那么通过判别函数G(x)，我们可以预测是样本x对的值为。那这个跟实际的y的差距有多大呢？这个时候我就出来一个损失函数： 其实损失函数很容易理解，就是所有 ...

　　梯度下降算法是通过沿着目标函数J(θ)参数θ∈R的梯度（一阶导数）相反方向−∇θJ(θ)来不断更新模型参数来到达目标函数的极小值点（收敛），更新步长为η。有三种梯度下降算法框架，它们不同之处在于每次学习（更新模型参数）使用的样本个数，每次更新使用不同的样本会导致每次学习的准确性和学习时间 ...

tensorflow使用tf.train.ExponentialMovingAverage实现滑动平均模型，在使用随机梯度下降方法训练神经网络时候，使用这个模型可以增强模型的鲁棒性（robust），可以在一定程度上提高模型在测试数据集上的表现。 滑动平均模型为每个变量维护一个影子变量，其初始值 ...

Tensorflow滑动平均模型tf.train.ExponentialMovingAverage解析 觉得有用的话,欢迎一起讨论相互学习~ 移动平均法相关知识 原文链接 移动平均法又称滑动平均法、滑动平均模型法（Moving average，MA） 什么是移动平均法 　 移动 ...

　　不多说，直接上干货！ 回归与梯度下降 　　回归在数学上来说是给定一个点集，能够用一条曲线去拟合之，如果这个曲线是一条直线，那就被称为线性回归，如果曲线是一条二次曲线，就被称为二次回归，回归还有很多的变种，如本地加权回归、逻辑回归，等等。 　　用一个 ...

梯度下降法先随机给出参数的一组值，然后更新参数，使每次更新后的结构都能够让损失函数变小，最终达到最小即可。在梯度下降法中，目标函数其实可以看做是参数的函数，因为给出了样本输入和输出值后，目标函数就只剩下参数部分了，这时可以把参数看做是自变量，则目标函数变成参数的函数了。梯度下降每次都是更新每个参数 ...

由于第一次实验的实验报告不在这台机器，先写这一算法吧。 SGDLR（the Stochastic Gradient Descent for Logistic Regression），要讲解这一算法，首先要把名字拆为几块。 1 随机 2 梯度下降 3逻辑回归 先贴一篇文章：http ...