類神經網路—反向傳播法(三): 五步驟帶您了解梯度下降法

步驟1: 定義當前權重位置

一開始我們需要知道類神經網路的權重是多少，就算是初始計算也會給定初始值，有了當前權重，我們才會知道當前是落在損失空間的哪個一位置。

這邊假設一開始有兩個權重，分別為w1,w2，其中w1=0.5，w2=0.2。

步驟2: 計算取得當前位置之梯度

接下來我們要計算損失梯度，因為最終目的是要往損失最低方向行走，所以要往負梯度方向行走，假設我們透過一些計算方法，得到負梯度方向為(0.1,0.2)，則在損失空間當中往這個方向行走，一定可最快到達損失空間的谷底。因此，我們有了當前的梯度後，就等於我們有了下山的方向。

步驟3:決定當前學習率(步階大小)

eta為學習率，學習率代表的是決定一步要跨多遠，可以一步跨很遠，也可以一步跨很短，這是一個參數，要去決定，這邊是假設eta為0.1。

步驟4: 計算權重變化

有了負梯度方向，也有學習率後，我們就可以計算權重變化多少，就僅僅只是將學習率和負梯度方向相乘即可知道，針對w1的權重改變就是0.1*0.1=0.01，針對w2的權重改變就是0.1*0.2=0.02。

步驟5: 移動權重

有了權重改變後，將當前權重加上權重改變，就可以得到下一個步階的權重，像是w1而言，就是0.5+0.01=0.51，像是w2而言，就是0.2+0.02=0.22，如此就可以移動到下一個權重位置。

而反覆不斷上述步驟的過程，最終就會到達損失函數的谷底，而這時候所對應的權重，就代表是最佳權重，將最佳權重放入類神經網路當中，即可得到訓練完成的AI模型。

[參考資料]:

1.快速反應機制─類神經網路

2.機器學習與人工神經網路(二)：深度學習(Deep Learning)

3.機器學習的衰頹興盛：從類神經網路到淺層學習

[類神經網路基礎系列專文]:

1.類神經網路(Deep neural network, DNN)介紹

2.類神經網路—揭開網路架構調整秘辛

3.類神經網路—啟動函數介紹(一): 深入解析Relu與Sigmoid函數：如何影響類神經網路的學習效果？

4.類神經網路—啟動函數介紹(二): 回歸 vs. 分類: 線性函數與Tanh函數之原理探索

5.類神經網路—啟動函數介紹(三): 掌握多元分類的核心技術：不可不知的softmax函數原理

6.類神經網路—啟動函數介紹(四): 如何選擇最適當的啟動函數？用一統整表格讓您輕鬆掌握

7.類神經網路—前向傳播法

8.類神經網路—反向傳播法(一): 白話文帶您了解反向傳播法

9.類神經網路—反向傳播法(二): 淺談梯度

10.類神經網路—反向傳播法(三): 五步驟帶您了解梯度下降法

11.類神經網路—反向傳播法(四): 揭開反向傳播法神秘面紗

12.機器學習訓練原理大揭秘：六步驟帶您快速了解監督式學習的訓練方法

13.類神經網路—反向傳播法(五): 用等高線圖讓您對學習率更有感

[機器學習基礎系列專文]:

1.機器學習訓練原理大揭秘：六步驟帶您快速了解監督式學習的訓練方法

2.機器學習面臨的問題種類介紹:回歸與分類

[類神經網路延伸介紹]:

1.卷積類神經網路(Convolution neural network,CNN)介紹

2.遞迴類神經網路(Recurrent neural network,RNN)介紹

[ChatGPT系列專文]:

1.淺談最近非常火紅的ChatGPT背後可能原理機制為何?

2.從ChatGPT探索GPT的原理概念:少量數據的解方—遷移學習技巧

3.ChatGPT是什麼？探索GPT原理：遷移學習(transfer learning)的奧秘—微調(fine-tuning)技巧