温馨提示:在回答面试官的问题的时候,往往将问题往大的方面去回答,这样不会陷于小的技术上死磕,最后很容易把自己嗑死了。 (1)随即梯度下降 优点:可以一定程度上解决局部最优解的问题 缺点:收敛速度较慢 (2)批量梯度下降 优点:容易陷入局部最优解 缺点:收敛速度较快 (3)mini_batch梯度下降 综合随即梯度下降和批量梯度下降的优缺点,提取的一个中和的方法。 (4)牛顿法 牛顿法在迭代的时候,需要计算Hessian矩阵,当维度较高的时候,计算Hessian矩阵比较困难。 (5)拟牛顿法 拟牛顿法是为了改进牛顿法在迭代过程中,计算Hessian矩阵而提取的算法,它采用的方式是通过逼近Hessian的方式来进行求解。 (6)共轭梯度 (7)启发式的优化算法 启发式的优化算法有遗传算法,粒子群算法等。这类算法的主要思想就是设定一个目标函数,每次迭代根据相应的策略优化种群。直到满足什么样的条件为止。
上一题:聚类相关面试题
下一题:请描述梯度消失和梯度膨胀
标签: 牛顿、hessian、梯度、下降、法在
笔试题
刷题
简历模板
AI算法
大数据
内推
内推: