1. 梯度 　　在微积分里面，对多元函数的参数求∂偏导数，把求得的各个参数的偏导数以向量的形式写出来，就是梯度。比如函数f(x,y), 分别对x,y求偏导数，求得的梯度向量就是(∂f/∂x, ∂f/∂y)T,简称grad f(x,y)或者▽f(x,y)。对于在点(x0,y0)的具体梯度向量 ...

(1)梯度下降法 在迭代问题中，每一次更新w的值，更新的增量为ηv，其中η表示的是步长，v表示的是方向 要寻找目标函数曲线的波谷，采用贪心法：想象一个小人站在半山腰，他朝哪个方向跨一步，可以使他距离谷底更近（位置更低），就朝这个方向前进。这个方向可以通过微分得到。选择足够小的一段曲线 ...

梯度下降法存在的问题 　　梯度下降法的基本思想是函数沿着其梯度方向增加最快，反之，沿着其梯度反方向减小最快。在前面的线性回归和逻辑回归中，都采用了梯度下降法来求解。梯度下降的迭代公式为： \(\begin{aligned} \theta_j=\theta_j-\alpha\frac ...

关于机器学习的方法，大多算法都用到了最优化求最优解问题。梯度下降法（gradient descent)是求解无约束最优化问题的一种最常用的方法。它是一种最简单，历史悠长的算法，但是它应用非常广。下面主要在浅易的理解： 一、梯度下降的初步认识 先理解下什么是梯度，用通俗的话来说就是在原变量 ...

1. 前言 今天我们聊一聊机器学习和深度学习里面都至关重要的一个环节，优化损失函数。我们知道一个模型只有损失函数收敛到了一定的值，才有可能会有好的结果，降低损失方式的工作就是优化方法需要做的事。下面会讨论一些常用的优化方法：梯度下降法家族、牛顿法、拟牛顿法、共轭梯度法、Momentum ...

CNN学习笔记：梯度下降法 梯度下降法 　　梯度下降法用于找到使损失函数尽可能小的w和b，如下图所示，J(w,b)损失函数是一个在水平轴w和b上面的曲面，曲面的高度表示了损失函数在某一个点的值 　　 　　 ...

　在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降（Gradient Descent）是最常采用的方法之一，另一种常用的方法是最小二乘法。这里就对梯度下降法做一个完整的总结。 1. 梯度 　　　　在微积分里面，对多元函数的参数求∂偏导数，把求得的各个参数的偏导数以向量的形式写出来 ...