参考:https://blog.csdn.net/weixin_44259490/article/details/90295146
视频:https://www.bilibili.com/video/BV1a14y167vh
概念
梯度与w的关系可以用梯度下降公式来表示:w=w−α ∂ c o s t ∂ w \frac{\partial cost}{\partial w} ∂w∂cost,其中w表示网络的权重, ∂ c o s t ∂ w \frac{\partial cost}{\partial w} ∂w∂cost表示损失函数对权重w的导数,即梯度,α为学习率。
w=w−α ∂ c o s t ∂ w \frac{\partial cost}{\partial w} ∂w∂cost
梯度下降是一种常用的优化算法,用于更新网络的权重和偏置,以最小化损失函数。
案例
一个神经网络包括很多神经元,每个神经元都有参数w、b,所以每个神经元都对应有对w、b的梯度,然后更新w、b
简单案例参考:
![](https://file.jishuzhan.net/article/1766425508163096577/68f97eaa4d57639cc9b347fc14d32c2d.webp)
w的梯度:
更新梯度: w = w - eta * dw
求b的梯度
更新梯度: b = b - eta * db
梯度与导数关系
梯度与导数关系:
导数和梯度都是微积分中的重要概念,它们之间存在密切的联系。
导数是函数在某一点处的切线斜率,它表示函数在该点处的变化率。对于一个函数f(x),它在点x_0处的导数可以表示为f^\prime(x_0)。
梯度是一个向量,它表示函数在某一点处的最大变化率方向。对于一个多元函数f(x_1,x_2,\cdots,x_n),它在点(x_1,x_2,\cdots,x_n)处的梯度可以表示为\nabla
f(x_1,x_2,\cdots,x_n)。
在一元函数的情况下,导数和梯度是等价的,因为函数在某一点处的导数就是该点处切线的斜率,也就是函数在该点处的梯度方向。
在多元函数的情况下,导数是一个标量,而梯度是一个向量。梯度的方向是函数在该点处变化最快的方向,其大小表示函数在该方向上的变化率。导数可以看作是梯度在某个特定方向上的分量。
在优化问题中,梯度扮演着重要的角色。梯度下降法是一种常用的优化算法,它通过沿着函数的梯度方向移动来找到函数的最小值。
总的来说,导数和梯度都是描述函数变化率的概念,导数是标量,而梯度是向量。在多元函数的情况下,梯度提供了函数在各个方向上的变化信息,对于优化问题和数据分析等领域具有重要的应用。