수식과 코드로 보는 경사하강법(SGD,Momentum,NAG,Adagrad,RMSprop,Adam,AdaDelta)
1. 개요 가중치를 조절하는 방법으로 다들 경사 하강법을 알고 계실 것이라 생각합니다. 경사 하강법은 정확하게 가중치를 찾아가지만 가중치를 변경할때마다 전체 데이터에 대해 미분해야 하므로 계산량이 매우 많습니다. 즉 많은 계산량때문에 속도가 느리고, 추가적으로 최적해를 찾기 전 학습을 멈출 수도 있습니다. 이러한 점을 보안한 다양한 경사 하강법이 등장하였고 몇 가지를 소개하려고 합니다. 2. SGD(확률적 경사 하강법) 확률적 경사 하강법(Stochastic Gradient Descent)는 경사 하강법과 다르게 한번 학습할 때 모든 데이터에 대해 가중치를 조절하는 것이 아니라, 램덤하게 추출한 일부 데이터에 대해 가중치를 조절합니다. 결과적으로 속도는 개선되었지만 최적 해의 정확도는 낮습니다. 수식은 ..
SoftWare/머신러닝
2018. 5. 29. 14:53
공지사항
최근에 올라온 글
최근에 달린 댓글
- Total
- Today
- Yesterday
링크
TAG
- Res
- java 파일 입출력
- 안드로이드
- jad
- vim 설치
- Notification
- 포켓몬 Go
- 파일 입출력
- java url
- counter
- android
- 파일입출력
- 테라펀딩 #투게더펀딩 #P2P투자 #부동산 소액 투자 #카카오 #토스
- Java Decompiler
- c언어
- 인텐트
- 아두이노
- Service
- 유전
- 유전 알고리즘
- 카운터
- 알고리즘
- 5582
- 서버
- 포켓몬 고
- vim
- java
- php
- LISTVIEW
- 자바 입출력
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 |
글 보관함