{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","title":"智慧的疆界 从图灵机到人工智能","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787111778004","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","id":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","uuid":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","title":"智慧的疆界 从图灵机到人工智能","normalized_title":"智慧的疆界从图灵机到人工智能","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787111778004","isbns":["9787111778004","9787111695714"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":456,"navigation_url":"https://workshop.closeclaw.top/ai/book/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","title_url":"https://workshop.closeclaw.top/ai/title/%E6%99%BA%E6%85%A7%E7%9A%84%E7%96%86%E7%95%8C%20%E4%BB%8E%E5%9B%BE%E7%81%B5%E6%9C%BA%E5%88%B0%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","page_url":"https://workshop.closeclaw.top/api/ai/books/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/page","search_url":"https://workshop.closeclaw.top/api/ai/books/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/search"},"page":{"printed_page":225,"pdf_page":240,"physical_index":240,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"e2f6ef453e6df8c7061fcbf0c1dae946b7a0acb029eff97644366e3545638b2a"},"chapter":"内容简介","content":"梯度下降算法本身还存在一些算力层面的限制，虽然理论上求解函数图像特定点的梯度仅是计算一阶方向导数，但现在的工作毕竟不是简单地对一个已知的光滑连续函数求导，已知的数据是由一堆训练样本构成的不连续的采样点。如果每一次都是通过样本代入来求解梯度的话，那么当样本数量很庞大，且选定的学习速率的值相对较小时，就需要进行很多次求解梯度的操作，因此所有样本都参与运算是相当耗费计算资源的。实践中常常每次都只随机挑选一个样本来计算梯度，这种做法是梯度下降算法的一种改进形式，称为“随机梯度下降”（Stochastic Gradient Descent，SGD）算法，之前使用全部样本进行训练的原始形式称为“批量梯度下降”（Batch Gradient Descent，BGD）算法。这两种算法各自的优缺点非常明显，在训练速度方面，随机梯度下降算法由于每次仅采用一个样本来迭代，虽然迭代次数会多一些，但训练速度很快，解决了批量梯度下降算法在大量样本下的计算效率问题。但在准确率方面，随机梯度下降算法仅用一个样本决定梯度方向，由于迭代方向变化很大，不一定能很快地收敛到局部最优解，可能会不断地在最优解附近振荡，导致解有可能不是全局最优的。为了平衡这些优缺点，日常应用时会在这两种算法之间折中，每次随机选择一小批样本来进行训练，这种形式被称为“小批量梯度下降”（Mini-Batch Gradient Descent，MBGD）算法，该算法使得训练过程较快，也能保证最终参数训练的准确率。\n\n第 6 章 机器学习概览\n\n225\n\n○一 凸函数、凹函数是数学概念，其本质是描述函数斜率增减。语义上凸为正，代表斜率单调不减；凹为负，代表斜率单调不增。","previous_page":224,"next_page":226}