梯度

西西弗Sisyphus

深度学习基础 - 梯度垂直于等高线的切线flyfish给定一个标量函数 f ( x , y ) f(x, y) f(x,y)，它的梯度（gradient）是一个向量，表示为 ∇ f ( x , y ) \nabla f(x, y) ∇f(x,y)，定义为： ∇ f ( x , y ) = ( ∂ f ∂ x , ∂ f ∂ y ) \nabla f(x, y) = \left( \frac{\partial f}{\partial x}, \frac{\partial f}{\partial y} \right) ∇f(x,y)=(∂x∂f,∂

内容安全复习 7 - 对抗攻击与防御对抗性攻击的目的是通过在原始图像中添加人眼无法察觉的扰动，使得模型的预测结果出错。就像训练一个神经网络，但是网络参数 θ \theta θ 被 x ′ x' x′替代。

政安晨：【深度学习神经网络基础】（九）—— 在深度学习神经网络反向传播训练中理解梯度目录简述理解梯度什么是梯度计算梯度政安晨的个人主页：政安晨欢迎 👍点赞✍评论⭐收藏收录专栏: 政安晨的机器学习笔记

聊聊神经网络模型传播计算逻辑预训练过程就是在不断地更新权重超参数与偏置超参数，最后选择合适的超参数，生成超参数文件。上一篇博客是使用已有的预训练超参数文件，要训练自己的超参数，需要对神经网络层中前向传播与反向传播计算熟悉，了解计算逻辑，才能不断地更新选择合适的超参数。

【Math】导数、梯度、雅可比矩阵、黑塞矩阵导数、梯度、雅可比矩阵、黑塞矩阵都是与求导相关的一些概念，比较容易混淆，本文主要是对它们的使用场景和定义进行区分。

网格梯度离散化 gradient欢迎关注更多精彩关注我，学习常用算法与数据结构，一题多解，降维打击。