标签：吴恩达 Linear Gradient 梯度 下降 学习 最小值 alpha theta

repeat until convergence {
\(\theta_j := \theta_j - \alpha\frac{\partial}{\partial \theta_j}J(\theta_0,\theta_1)\)  \((for\ j = 0\ and\ j = 1\))
}
\(\alpha\): 学习率

如果学习率太小，梯度下降将很慢

如果学习率很大，梯度下降会越过最小值。可能不会收敛，甚至发散

  就算学习率是固定的，梯度下降仍会收敛到局部最小值。

这是因为：

  当接近一个局部最小值时，梯度下降幅度将自动变小，因此，不需要随时间自动减少\(\alpha\)。

标签：吴恩达,Linear,Gradient,梯度,下降,学习,最小值,alpha,theta
来源： https://www.cnblogs.com/DeepRS/p/15586469.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。