Использование градиента при обновлении веса и смещения в нейронной сети

Почему мы используем градиент функции потерь для обновления веса и смещения нейронной сети?

Например:

new_weight = old_weight - learning_rate * gradient

Другими словами, как градиент помогает нам правильно обновлять вес и смещение.

Стоит ли изучать PHP в 2023-2024 годах?
Стоит ли изучать PHP в 2023-2024 годах?
Привет всем, сегодня я хочу высказать свои соображения по поводу вопроса, который я уже много раз получал в своем сообществе: "Стоит ли изучать PHP в...
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
В JavaScript одним из самых запутанных понятий является поведение ключевого слова "this" в стрелочной и обычной функциях.
Приемы CSS-макетирования - floats и Flexbox
Приемы CSS-макетирования - floats и Flexbox
Здравствуйте, друзья-студенты! Готовы совершенствовать свои навыки веб-дизайна? Сегодня в нашем путешествии мы рассмотрим приемы CSS-верстки - в...
Тестирование функциональных ngrx-эффектов в Angular 16 с помощью Jest
В системе управления состояниями ngrx, совместимой с Angular 16, появились функциональные эффекты. Это здорово и делает код определенно легче для...
Концепция локализации и ее применение в приложениях React ⚡️
Концепция локализации и ее применение в приложениях React ⚡️
Локализация - это процесс адаптации приложения к различным языкам и культурным требованиям. Это позволяет пользователям получить опыт, соответствующий...
Пользовательский скаляр GraphQL
Пользовательский скаляр GraphQL
Листовые узлы системы типов GraphQL называются скалярами. Достигнув скалярного типа, невозможно спуститься дальше по иерархии типов. Скалярный тип...
1
0
82
1
Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

Это грубое упрощение: градиент представляет собой многомерную производную, спрессованную в «единую структуру». Производная говорит вам, где локальное изменение. Градиент сообщает вам, где есть локальные изменения во всех измерениях, которые вы рассматриваете.

Рассмотрим трехмерный случай: наш мир. Представьте, что вы поднимаетесь на гору. Предположим, ваш прицел ограничен 3 метрами для вашей позиции. Ваша цель - достичь вершины.

Вы начинаете с точки, и вы смотрите вокруг. Поскольку вы видите на 3 метра от своей позиции в свою сторону, вы выбираете идти туда, где видите, что склон круче. Оглядываясь по сторонам, вы вычисляете уклон и корректируете свою скорость.

В вашем уравнении, помните, что это грубый пример, вы говорите: «Гм, в первый раз, когда я проверил, мое направление было 124 градуса, теперь, глядя на градиент, мое направление должно быть 10 градусов. Какое направление мне выбрать сейчас».

learning rate или ваше уравнение — это коэффициент, который вы можете интерпретировать как «трение» или «доверие»: вы не хотите менять свое направление на 114 градусов за один раз, вместо этого вы хотите измениться в зависимости от величины новая мера. Вы обнаруживаете, что новое направление должно быть на 114 градусов (124-10) меньше текущего. Таким образом, если у вас низкая скорость обучения, ваше новое направление повлияет меньше, чем в случае, когда скорость обучения выше.

Этот пример обобщается по нескольким измерениям.

Другие вопросы по теме