海岸线文学

第914章 梯度下降（第2页）

?t每次只用一条数据来更新参数。

?t好处：快，而且因为有“随机性”，能跳出局部低谷。

?t坏处：路径会抖动，就像你在碗底不断乱蹦，但平均方向是对的。

3。t小批量梯度下降（mini-batchGradientdescent）

?t折中方案，每次取几十到几百条数据更新。

?t好处：速度和稳定性兼顾。

?t这也是现代深度学习中最常用的做法。

所以你可以把梯度下降想象成：

?t批量：像一个人走路前先把所有地图看清楚。

?t随机：像一个盲人摸索着走，虽然乱七八糟，但大方向对。

?t小批量：像一个人拿着指南针，每次用部分信息修正方向，既快又稳。

?

二、学习率的智慧

在梯度下降里有个很关键的参数：学习率（LearningRate）。

?t如果学习率太大，就像球从碗的一边跳到另一边，永远落不到底，甚至越跳越高。

?t如果学习率太小，就像蚂蚁往碗底爬，虽然方向正确，但走到天荒地老也到不了底部。

所以，人类在调参时，其实就是在控制“学习节奏”。

这跟人学习知识很像：

?t学得太快，不扎实，容易反弹。

?t学得太慢，效率低。

?t最佳的学习率，就是“适度挑战，稳步前进”。

?

三、为什么说“碗”可能不是碗

你一开始用“碗”比喻很好，但在大模型里，真实情况更复杂：

?t损失函数往往不是一个光滑的大碗，而是一个崎岖的山谷。

?t它可能有很多小洼地（局部极小值），还有长长的平地（鞍点）。

?t模型就像一个人在雾中走山路，只能靠脚下的坡度感知方向。

这时，随机梯度下降反而有好处，它带来的“抖动”能让人跳出一些小陷阱，继续往更深的谷底走。

?

四、和人的认知对比

你说“认识猫和狗”特别好，我再帮你扩展一下：

1。t模糊性

?t人类分类不是绝对的，而是“差不多”——这就是概率思维。

?t比如一辆小巧的SUV和一个装甲车，它们都有四个轮子，但我们用特征加权来识别：形状、功能、用途。

2。t迭代修正

?t小孩第一次见到“猫”，可能把“狗”也叫猫。

?t随着父母纠正，小孩在心里不断“调整参数”，逐渐收敛到更准的概念。

?t这就是梯度下降在人脑中的投影。