作者:十一月听雨 | 来源:互联网 | 2023-09-04 19:23
Reference: https://developers.google.com/machine-learning/crash-course/reducing-loss/learning-rate
Learning Rate
正如之前所述,梯度矢量具有方向和大小。梯度下降法算法用梯度乘以一个称为学习速率(有时也称为步长)的标量,以确定下一个点的位置。例如,如果梯度大小为 2.5,学习速率为 0.01,则梯度下降法算法会选择距离前一个点 0.025 的位置作为下一个点。
超参数是编程人员在机器学习算法中用于调整的旋钮。大多数机器学习编程人员会花费相当多的时间来调整学习速率。如果你选择的学习速率过小,就会花费太长的学习时间:
学习速率过小
![技术图片](https://img7.php1.cn/3cdc5/ce76/c5a/2dd52297a64317a5.jpeg)
相反,如果你指定的学习速率过大,下一个点将永远在 U 形曲线的底部随意弹跳,就好像量子力学实验出现了严重错误一样:
学习速率过大
![技术图片](https://img7.php1.cn/3cdc5/ce76/c5a/07c2c1a53cea2f8a.jpeg)
每个回归问题都存在一个Goldilocks学习速率。Goldilocks值与损失函数的平坦程度相关。如果你知道损失函数的梯度较小,则可以放心地试着采用更大的学习速率,以补偿较小的梯度并获得更大的步长。
学习速率恰恰好![技术图片](https://img7.php1.cn/3cdc5/ce76/c5a/61bf8baf11494a03.jpeg)