释
梯度法
tī dù fǎ · ㄊㄧ ㄉㄨˋ ㄈㄚˇ
修撰于 2026-06-30 09:51:54
音义
| 拼音 | tī dù fǎ |
|---|---|
| 字母 | ti du fa |
| 首字母 | tdf |
| 注音 | ㄊㄧ ㄉㄨˋ ㄈㄚˇ |
| 注音符号 | ㄊㄧ ㄉㄨ ㄈㄚ |
广训
梯度下降是迭代法的一种,可以用于求解最小二乘问题(线性和非线性都可以)。在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降（Gradient Descent）是最常采用的方法之一，另一种常用的方法是最小二乘法。在求解损失函数的最小值时，可以通过梯度下降法来一步步的迭代求解，得到最小化的损失函数和模型参数值。反过来，如果我们需要求解损失函数的最大值，这时就需要用梯度上升法来迭代了。在机器学习中，基于基本的梯度下降法发展了两种梯度下降方法，分别为随机梯度下降法和批量梯度下降法。