您还在为Internet上的各种技术代名词而苦苦挣扎吗？他们都觉得很相似吗？为了了解这些术语之间的区别，您需要了解一些机器学习术语，例如梯度下降，以帮助您理解。梯度下降（Gradient Descent）-这是机器学习中用于查找最佳结果（曲线的最小值）的迭代优化算法。 “梯度”的含义指的是“梯度”。是坡度或坡度。下降的意思是成本函数的降低。该算法是迭代的，这意味着需要多次使用该算法才能获得结果，以获得最佳结果。梯度下降的迭代性质使欠拟合图得以演化，从而获得与数据的最佳拟合。梯度下降中有一个称为学习率的参数。如上图左图所示，开始时学习率较高，因此降级幅度较大。随着点下降，学习速率变得越来越小，因此下降步长变得越来越小。同时，成本函数也在下降，或者成本在下降，有时称为损失函数或损失，两者都是相同的。 （减少损失/降低成本是一件好事）仅当数据非常大时（在机器学习中，几乎任何时候），我们都需要使用历元，批处理大小，迭代项，在这种情况下，无法将数据输入到一次安装计算机。因此，为了解决这个问题，我们需要将数据分成小块，然后将它们逐段传递给计算机，在每个步骤的最后更新神经网络的权重，并拟合给定的数据。 EPOCHS当完整的数据集一次通过神经网络并返回一次时，此过程称为时期。但是，如果某个时期对于计算机而言太大，则需要将其划分为多个小片段。为什么要使用多个纪元？我知道刚开始听起来很奇怪。一次在神经网络中传递完整的数据集是不够的，我们需要在同一神经网络中多次传递完整的数据集。但是请记住，我们使用的是有限的数据集，并且我们使用迭代过程（梯度下降）来优化学习过程和图形。因此，仅一次更新权重或仅使用一个时期是不够的。随着历元数的增加，神经网络中权重更新的数目也增加，并且曲线从欠拟合变为过度拟合。那么，多少个时期合适呢？不幸的是，这个问题没有正确的答案。对于不同的数据集，答案是不同的。但是数据的多样性将影响适当时期的数量。例如，仅包含黑猫的数据集和包含各种颜色的猫的数据集。 BATCH SIZE批次中的样本总数。请记住：批次大小和批次数量是不同的。什么是BATCH？当数据无法一次通过神经网络传递时，需要将数据集分为几批。就像将本文分为几个部分一样，例如简介，梯度下降，时代，批处理大小和迭代，因此文章更易于阅读和理解。迭代要了解迭代，您只需要知道乘法表或计算器即可。迭代是批处理完成一个纪元所需的次数。请记住：在一个时代，批处理的数量和迭代的数量是相等的。例如，对于具有2000个训练样本的数据集。将2000个样本分成500个批次，因此需要4个迭代来完成一个纪元。