深度学习 梯度下降法和随机梯度下降法的区别？
梯度下降法和随机梯度下降法的区别？
梯度下降算法是一个宽泛的概念，意思是：当你优化一个函数/分类器时，如何减少它的误差？你不妨选择梯度下降的方向，这很可能是最好的方向。既然你知道方向是梯度，你要走多久？答案是：随机的。因此，梯度下降算法包括随机梯度下降算法。
算法的核心是什么，数学就是算法吗？
我认为这种理解并不全面。首先，算法的核心是如何利用抽象的数学模型来解决这个实际问题，而实现的手段是通过代码编程，所以算法的核心是数学，基本上是精确的。但是说数学是一种算法是一个大问题。数学涉及面很广。它是一个自洽系统。随着人类认识水平的提高，数学也在不断发展，许多新的数学工具被开发出来帮助我们解决实际问题。
因此，如果数学是它背后的真理理论，那么算法就是用部分真理来帮助我们解决一些具体问题。这是我的理解。
深度学习最终会淘汰掉其他所有机器学习算法吗？
谢谢。我可以确切地说，不！也许首先，为什么深度学习被称为“深度”？从当前技术的角度来看，深度学习结合底层特征，形成更抽象的属性类别或特征的高层表示，从而发现数据的分布式特征表示。
深度学习属于前者，它有很多参数需要调整，是一个非常大的参数模型。一般的机器学习模型属于后者，它需要强大的特征来分离数据，最终得到不同的类别。
一般来说，目前深度学习确实有很多优势。例如，对我来说，这是非常简单和暴力的。它不需要很长时间来调整参数，清理数据，并把它扔进去看看结果。如果不好，调整参数继续尝试。一般的机器学习模型不是这样的。它需要大量的特征工程。但是，深度学习有一个问题，到目前为止还没有解决的工程。它是一个可解释性差的“黑匣子”，导致系统出现错误，无法快速找出原因或追溯以前的错误。所以在工程中，我们实际上更喜欢特征少的工程和解释性强的模型来获得更好的结果。我们期待着深学在未来科学技术的进一步发展。
我将在这里发表所有关于算法、机器学习和深度学习的有趣文章。
编写代码不容易。如果这篇文章对你有帮助，请喜欢
版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。
