前言
活动地址：CSDN21天学习挑战赛
🌍 python很适合机器学习领域，给大家推荐一款好用的刷题网站：《牛客网》
🌍 用来做一些练习快速熟悉基本语法非常的棒，而且题解也是非常的丰富
🚀 个人主页：阿阿阿阿锋的主页_CSDN
🌊 本文整理了从模型，到损失，再到损失关于权值的梯度的一些思路
🔥 希望和大家一起加油，一起进步！
文章目录
1. 模型
神经网络的模型可以就看作为一个函数，模型学习（训练）的过程，就可以看成是给函数寻找合适的参数的过程。比如，下面就是一个简单的模型，它所表示的函数就是
y
=
w
1
x
1
+
w
2
x
2
y = w1x1+w2x2
y=w1x1+w2x2
这个函数在两个侧面的投影，就是
y
=
w
1
x
1
y=w1x1
y=w1x1 和
y
=
w
2
x
2
y=w2x2
y=w2x2。学习一个多元函数，可以看成是分别学习多个一元的函数。
2. 损失
损失，也就是模型和数据的不贴合程度。
衡量损失常用的一个函数是均方损失函数：
l
o
s
s
=
∑
i
=
1
n
(
y
i
^
−
y
i
)
2
loss=\displaystyle\sum_{i=1}^n(\hat{y_{i}}-y_{i})^2
loss=i=1∑n(yi^−yi)2，其中 n 为数据点数量。
函数也可以写成
l
o
s
s
=
∑
i
=
1
n
(
W
X
i
−
y
i
)
2
loss=\displaystyle\sum_{i=1}^n(WX_{i}-y_{i})^2
loss=i=1∑n(WXi−yi)2，其中 W 为模型的所有权值，
X
i
X_{i}
Xi 为第 i 个数据点的所有自变量。
既然衡量损失有了一个确定的函数，那训练模型的过程就可以变成一个最小化损失的过程，方法就是不断地改变权值W，使函数关于所有这些数据点的损失（或者说平均损失）不断变小。
3. 损失loss关于权值W的梯度
通常来说，应该函数的权值 W 是固定的，而数据的特征 X 作为自变量。但我们是要通过一个固有的数据集，来优化权值W，所以在优化过程中，我们要把损失函数
l
o
s
s
loss
loss中的**W看作自变量**。
然后我们求
l
o
s
s
loss
loss 关于
W
W
W 的梯度，遵循着梯度的指引来改变
W
W
W。
如果某个权值的梯度是正的，说明随着权值
w w w的增大，损失 l o s s loss loss也会增大。那我们为了让损失变小，就要减小 w w w的值。同样，如果梯度是负的，我们就要增大对应的权值。
W
W
W 中的每个
w
w
w 的移动，可以看成是相对独立、互不干扰的。更新一个有很多权值的复杂模型，就成了很多重复的这样更新单个权值的操作。
4. 求梯度——数值梯度
在具体求梯度的过程中，计算机本身是不会公式演算的。但我们并不需要对损失函数求出梯度的表达式，而只需求函数在每个 权值
w
w
w处的梯度值。
数值梯度的方法，就人为地设置了一个确定的微小值
h
h
h，比如
1
0
−
5
10^{-5}
10−5（具体根据实际需要）。
l
o
s
s
g
=
l
o
s
s
(
w
+
h
)
−
l
o
s
s
(
w
−
h
)
2
h
loss_ g = {loss(w+h)-loss(w-h) \over 2h}
lossg=2hloss(w+h)−loss(w−h)
因此，我们更新
w
w
w 的方式，就像是先试探着往一个方向走一小步，如果发现合适，就再往那个方向走一大步；否则，就往反方向走。
5. 梯度下降中的小批量
小批量随机梯度下降法是机器学习中一种常用的方法，为什么要用到小批量？
前面每次计算损失，都是计算模型函数关于整个样本数据集的损失。那么在样本数据很大时，比如十万、百万的数据量时，这样计算资源的消耗就太大了，而且是不必要的。
使用小批量，就是起到部分代表整体的作用。我们假装一个小批量，就体现着整个数据集的特征。然而这难免有些片面性，通过小批量所指引的
w
w
w 前进的方向，有可能从整个的数据集中来看并不是恰当的方向。因此，我们把一个数据集划分成许多个小批量后，每个小批量都会使用，且会进行多轮（多个周期）的训练，以将整个数据集的特征都充分展现出来。
感谢阅读
版权归原作者 阿阿阿阿锋 所有， 如有侵权，请联系我们删除。