本文基于目前深度学习中使用较多的优化学习算法进行总结。
1 深度学习中的优化算法
优化算法之前讨论两个问题：
(1) 局部最小值问题
在深度学习中，最优化问题其实并不容易困在局部最小值点。在高维度空间时（如20000维），局部最小值点需要在所有维度上都取得最小值，概率为 2−20000 2 − 20000 ，相反更容易困在鞍点处。
同时平稳端（plateaus）也会使得学习变慢，因此可以通过自适应学习率算法如Adam或者RMSProp加速学习。
(2) 指数加权(移动)平均（Exponentially Weighted (moving) average）
在数据抖动较大的情况下，利用之前的整体变化趋势预测当前值。例如预测今天的气温，可以对之前一段时间的气温做平滑处理，即指数加权移动平均，一般形式为:
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/129274.html