梯度下降法和隨機(jī)梯度下降法的區(qū)別？梯度下降算法是一個(gè)寬泛的概念，意思是：當(dāng)你優(yōu)化一個(gè)函數(shù)/分類器時(shí)，如何減少它的誤差？你不妨選擇梯度下降的方向，這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：隨機(jī)的。因此，梯度下降算法包括隨機(jī)梯度下降算法。深度學(xué)習(xí)最終會(huì)淘汰掉其他所有機(jī)器學(xué)習(xí)算法嗎？

謝謝。我可以確切地說，不！也許首先，為什么深度學(xué)習(xí)被稱為“深度”？從當(dāng)前技術(shù)的角度來看，深度學(xué)習(xí)結(jié)合底層特征，形成更抽象的屬性類別或特征的高層表示，從而發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。

創(chuàng)新互聯(lián)公司是專業(yè)的定西網(wǎng)站建設(shè)公司，定西接單;提供做網(wǎng)站、網(wǎng)站制作,網(wǎng)頁設(shè)計(jì),網(wǎng)站設(shè)計(jì),建網(wǎng)站,PHP網(wǎng)站建設(shè)等專業(yè)做網(wǎng)站服務(wù);采用PHP框架,可快速的進(jìn)行定西網(wǎng)站開發(fā)網(wǎng)頁制作和功能擴(kuò)展;專業(yè)做搜索引擎喜愛的網(wǎng)站,專業(yè)的做網(wǎng)站團(tuán)隊(duì),希望更多企業(yè)前來合作!

深度學(xué)習(xí)屬于前者，它有很多參數(shù)需要調(diào)整，是一個(gè)非常大的參數(shù)模型。一般的機(jī)器學(xué)習(xí)模型屬于后者，它需要強(qiáng)大的特征來分離數(shù)據(jù)，最終得到不同的類別。

一般來說，目前深度學(xué)習(xí)確實(shí)有很多優(yōu)勢(shì)。例如，對(duì)我來說，這是非常簡(jiǎn)單和暴力的。它不需要很長(zhǎng)時(shí)間來調(diào)整參數(shù)，清理數(shù)據(jù)，并把它扔進(jìn)去看看結(jié)果。如果不好，調(diào)整參數(shù)繼續(xù)嘗試。一般的機(jī)器學(xué)習(xí)模型不是這樣的。它需要大量的特征工程。但是，深度學(xué)習(xí)有一個(gè)問題，到目前為止還沒有解決的工程。它是一個(gè)可解釋性差的“黑匣子”，導(dǎo)致系統(tǒng)出現(xiàn)錯(cuò)誤，無法快速找出原因或追溯以前的錯(cuò)誤。所以在工程中，我們實(shí)際上更喜歡特征少的工程和解釋性強(qiáng)的模型來獲得更好的結(jié)果。我們期待著深學(xué)在未來科學(xué)技術(shù)的進(jìn)一步發(fā)展。

我將在這里發(fā)表所有關(guān)于算法、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的有趣文章。

編寫代碼不容易。如果這篇文章對(duì)你有幫助，請(qǐng)喜歡

名稱欄目：通俗理解梯度下降法梯度下降法和隨機(jī)梯度下降法的區(qū)別？-創(chuàng)新互聯(lián)
文章出自：http://weahome.cn/article/doogpi.html