吴恩达老师深度学习笔记第二课（第二周）

第二周优化算法

2.1Mini_batch梯度下降算法
①向量化可以让你相对较快的处理所有m个样本，但是如果m很大，处理速度仍然缓慢
②传统的梯度下降算法，需要先处理所有数据，然后进行下一步梯度下降算法
把训练集分割成小一点的子训练集，这些子集取名为Mini_batch（然后每处理一个子集，就把他传下去进行下一步梯度下降算法），同样也要拆分y训练集。
③我的理解：就是不再把所有数据向量化一个大向量，而是多个小向量
2.2理解mini_batch梯度下降算法

①需要决定mini_batch的参数值

选择合适的mini_batch值：一方面得到大量向量化，另一方面不需要等待整个训练集被处理完，就可以开始进行后续工作（但是他没有告诉我多大是合适，老师举的一个例子：5000000拆成1000（mini_batch）*5000）
2.3指数加权（移动）平均
主要讲述了怎么计算指数加权移动平均


2.4理解指数加权平均
①
② 实质，就是在每一个位置的平均值，其他位置的值按照指数函数值加权平均

2.5指数加权平均的偏差修正
①
②计算方法：不用 v_t 而是用v_t除以（1-β**t），当t很大，分母几乎为1，偏差修正几乎没有作用，但是可以很好改善，在前期由于令V_t（0）= 0引起的问题
2.6动量梯度下降法（Momentum）梯度下降法
①定义：计算梯度的植树加权平均数并利用一度更新你的权值（我觉得：这大概是指数加权平均在深度学习的应用）
②举例理解

你希望在横轴上速度快一点（且平均数较大），但是希望在纵轴上的摇摆小一点（且平均数接近0），这样学习速率会变快
③计算方法

2.7RMSprop
①可以加速梯度下降
②计算过程其实我没怎么看懂（就是想让dw变大，db小一点）

2.8Adam优化算法
①作用：同样是用于加速算法，法则基本上就是将Momentum和RMSprop结合起来
②运行方法：首先初始化


③超参数

2.9学习率衰减
①加速学习算法的一个办法：随时间慢慢减少学习率

②计算方法

2.10局部最优问题
（没太懂）
局部最优解的问题不是问题
它的问题在于平滑阶段学习速率的问题
当维度十分的高
不同维度在一个位置的成本函数的大小很难统一