李宏毅机器学习-课件_4-Gradient Descent (v2).pdfVIP

下载本文档

4
0
约2.45万字
约 38页
2023-10-24 发布于北京
举报
版权申诉

李宏毅机器学习-课件_4-Gradient Descent (v2).pdf

此“教育”领域文档为创作者个人分享资料，不作为权威性指导和指引，仅供参考

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

概述：本文介绍了梯度下降（gradientdescent）算法的基本概念和应用。首先介绍了如何解决优化问题。然后详细讨论了递归方法中的参数传递和优化过程，以及损失函数等高的线性方程组的求解。最后介绍了递归的方法进行梯度下降的过程，包括求导、迭代和更新等步骤。1.标题：总结介绍2.文章正文：-在第三步中，我们面临了一个优化问题，即计算两个变量{θ,θ}相关的梯度。这是一道非常经典的优化问题。-解决这个问题的关键在于找到两个变量之间的最优解，从而

Gradient Descent Review: Gradient Descent • In step 3, we have to solve the following optimization problem: ∗ L: loss function : parameters = argmin Suppose that θ has two variables {θ , θ } 1 2 0 0 1 1 Τ1 Randomly start at = 0 = 2 2 Τ2 1 0 0 Τ1 1 1 1 = − 1 0 0 1 0 0 = − 2 2 2 Τ2 2 1 1 Τ1 1 1 1 2 1 1 2 = 1 − 1 = − 2 2 2 Τ2 Review: Gradient Descent 2 Gradient: Loss 的等高線的法線方向 0 Start at position 0 0 1 Compute gradient at 0 1 2 1 0 0 Move to = - η 2 Gradient 3 Compute gradient at 1 Movement 3 2 1 1 Move to = – η