文档摘要

4.4 自适应学习率：让每根参数各走各的 本节摘要：不同维度的参数坡度差别巨大，单一学习率无法两边讨好。本节从 AdaGrad 的单调收缩讲到 RMSProp 的指数衰减，再到 Adam 把动量与自适应合流，讲清每个方法的"补丁"版本，并点出各自踩过的坑，为 4.5 的选型做铺垫。 动量让方向顺畅了，可它忘了一件事：不同参数的"地形坡度"可能差上百倍。 有的参数梯度巨大、陡峭；有的参数几乎不产生梯度、平坦。 会员。《4.4 自适应学习率：让每根参数各走各的》收录于灏天文库文集《神经网络优化技巧：激活函数、损失函数、优化器选择》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/499-%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E4%BC%98%E5%8C%96%E6%8A%80%E5%B7%A7%E6%BF%80%E6%B4%BB%E5%87%BD%E6%95%B0%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0%E4%BC%98%E5%8C%96%E5%99%A8%E9%80%89%E6%8B%A9

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流