DeepLearning.ai 深度学习课程 笔记 V5.61

黄博的针对吴恩达老师深度学习课程(deeplearning.ai) 视频做的笔记
今日学习第二门课第二周，大有收获，再接再厉
记录一下要点：

1. batch gradient descent与mini gradient descent相比，在样本量不超过两千的情况下，可不分批，如分批，数据量可在64-512或者128（2的n次方，更快）左右。

2. mini batch = 1 的时候，为随机梯度下降，到最优点附近徘徊，可缩小学习率

3. 指数加权平均数，对一段时间内的数据进行平均（看起来像是平滑），越往前的权重越低，并且展开后呈指数形式，故得名

4. 偏差修正，因为指数加权平均以0开始，所以前几天（项）可能误差较大，故除以（1-beta_power_t）,beta是接近小于1的数，前几项的时候分母较小，可以提高前几项的值，而t很大的时候，分母接近1，近似于无，可参考笔记189页底部。

5. 动量梯度下降：

6. RMSprop：

7. 重头戏，Adam，同时应用momentum和RMSprop：

以上三项，懂即可，不用花时间再看

8. 学习率衰减，方式很多：

9.最后这个局部最优问题：很重要，其实网络较大，参数维数较多的时候不必考虑极差的局部最优点，因为要求每一维都是最小点的概率远远小于鞍点的可能性，故局部最优不是问题，而鞍点的平稳段会减缓学习速率才是问题， momentum或者Adam算法等可以加快学习走出平稳段。