第648章 权重参数的学习过程，用故事解释[第2页/共2页]

? 如果阵势变陡了，申明你能够走错方向了。

? 增加牛奶：让蛋糕更潮湿。

? 如果蛋糕不敷香 → 鸡蛋或牛奶的比例太少，增加它们的“权重”会更好。

? 高度测量让你晓得本身需求持续调剂方向。

4. 反向传播：调剂方向

? 每走一步，你都会评价本身与山顶的间隔（就像模型在计算瞻望偏差）。

在实际利用中，机器学习通过不竭调剂参数，减少丧失函数的值，终究找到最优的参数组合，使模型对新数据的瞻望更加精确。

把机器学习中的权重参数学习设想成一小我在黑暗中寻觅山顶的过程。

2. 前向传播：一步步行走

设想你是一名甜点师，插手了一场天下甜点比赛。你的任务是做出一款完美的蛋糕。评委会按照蛋糕的味道和口感评分，而你需求在有限的时候内不竭调剂配方，让蛋糕变得更甘旨。

第二步：前向传播——评委咀嚼蛋糕

你不竭尝试新的配方，每一次都比之前的蛋糕略微好一些。跟着多次迭代，蛋糕的评分逐步进步。直到评委对劲地说：“这就是我想要的味道！”

? 多次迭代是不竭尝试和优化，终究达到最好状况。

你回想本身放入了多少糖、鸡蛋和面粉，并且思虑每一种食材对终究味道的影响。这个过程就像反向传播，追踪每个决定带来的成果，并计算出哪些调剂能让蛋糕变得更好。

? 权重更新是你按照反应改进配方的过程。

这一步对应于梯度降落，你调剂权重参数，使下一次的丧失变小。

你被蒙上眼睛，放在一座未知的山脚下。你不晓得山顶在那里，只能仰仗直觉挑选一个方向解缆。

? 目标山顶：最低的丧失函数。

按照评委的反应，你决定做一些调剂：

评委们尝了一口你的蛋糕，给出了反应。味道能够太甜、太干或者不敷坚固。评委的评分就是丧失函数，它奉告你蛋糕和完美口感之间的差异。

? 如果高度敏捷降落，你晓得这是精确的方向，就持续进步。

这个蛋糕代表了模型的第一次瞻望成果，而你用的食材比例就是模型的初始权重参数。

用故事解释：权重参数学习的过程