Notice
Recent Posts
Recent Comments
Link
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |
Tags
- bayesian
- SQL
- 히토요시
- 소수
- 비샤몬당
- CNN
- 전처리
- 냥코 센세
- Gram matrix
- A Neural Algorithm of Artistic Style
- Python
- project euler
- mnist
- 오토인코더
- 딥러닝
- 합성곱 신경망
- 자전거 여행
- c#
- Convolutional Neural Network
- 오일러 프로젝트
- 역전파
- neural network
- backpropagation
- deep learning
- 수달
- 소인수분해
- 신경망
- Autoencoder
- 베이지안
- 역전파법
Archives
- Today
- Total
목록stochastic gradient descent (1)
통계, IT, AI
딥러닝: 화풍을 모방하기 (3) - 책 요약: 3. 확률적 경사 하강법
3. 확률적 경사 하강법: Stochastic Gradient Descent 3.1 경사 하강법 - 학습의 목표는 \(\boldsymbol{w}=\underset{\boldsymbol{w}}{argmin}E(\boldsymbol{w})\)을 찾는 것이다. 그런데 \(E(\boldsymbol{w})\)가 일반적으로 볼록함수가 아니기 때문에 전역 극소점을 찾는 것이 매우 어렵다. 하지만 어떤 국소 극소점에서의 \(E(\boldsymbol{w})\)가 충분히 작다면 문제를 해결할 수 있다. - 이러한 점을 찾는 방법에는 경사 하강법이 있다. - 먼저 다음과 같이 \(E\)의 기울기를 구한다. 단, \(M\)은 \(\boldsymbol{w}\)의 성분 수이다. $$\nabla E(\boldsymbol{w})=\..
머신러닝
2017. 1. 30. 19:23