|
用这篇文章解释一下我在了解深度学习时一些困惑我的点。
首先，我们都知道有的深度学习有一步为梯度下降，那什么是梯度下降？
答： 梯度下降可以理解为导数下降。
那为什么要进行梯度下降呢！？或者说进行导数下降的操作有什么用呢？
答： 梯度下降是机器学习算法中求解损失函数最常用的优化算法。可以这么说，梯度下降是为了求某个函数最小值时自变量对应的取值，这里的某个函数指的就是损失函数，也就是说，梯度下降是为了得到损失函数最小时所对应的自变量。
你又有疑问了，损失函数是什么？
答：损失函数是以算法为自变量，以误差值为函数值的函数。那么梯度下降是为了找到损失函数导数最小值时对应的自变量，如果讲损失函数看成一般的二元函数的话，也就是找到损失函数最低点的自变量，即我们想要的算法。
你可能会问，直接找到导数等于0的地方找最小值不就行了，为啥要梯度下降？
答：这个方法听起来最简单，时间复杂度也是最高的，如果数据很多的话，等你找到导数为0的点的时候可能深度学习都被淘汰了。那梯度下降是怎么求的呢？不断地改变自变量的值，使导数的绝对值一直在变化。当导数小于0时，就要让x大一点点，当导数大于0时，就要让x小一点点，这样做是为了不断的试探来找到导数接近0的自变量。
神经网络的训练过程是什么？
答：
1. 定义网络的结构，包含输入，输出，隐藏层
2. 初始化权重和偏置。
重复以下步骤：
3. 前向传播 ( forward propagation )，得到预测值
4. 计算损失函数 ( loss function )，计算预测误差
5. 反向传播 ( back propagation )，更新权重和偏置
直到最小化损失函数，且没有过拟合训练数据，则训练结束。
为什么要进行权重初始化？
答：不初始化的话会造成梯度消失或梯度爆炸。
常见的初始化方法：
1、pre-training 预训练
2、Xavier 初始化
3、He 初始化
4、Batch Normalization+随机初始化
|