前言

吴恩达的课程堪称经典，有必要总结一下。
学以致用，以学促用，通过笔记总结，巩固学习成果，复习新学的概念。

目录

文章目录

• 前言
• 目录
• 正文
• • 局部最小值问题

正文

优化算法 随机样本梯度下降

批量和小批量梯度下降的比较。
小批量梯度下降算法
批量和小批量下降时的误差曲线。
选择你的样本规模
典型的小批量数量选择方式。

伦敦的气温，指数化归一加权。
指数化加权平均。
通过加权平均，平滑变化率。
手动实现一个加权平均。
梯度计算中的偏差校正
梯度下降中的例子，有时候震荡回比较厉害。
momentum（动量）更新的实现细节。
梯度更新的方法。
Adam优化算法.
超参数选择方案。
学习率更新方案。
学习率下降方案，更适应具体的问题。
其他的学习率下降方法。

局部最小值问题

算法有可能收敛到局部最小值，鞍点。
平原问题，更新较慢，但仍在更新。

与50位技术专家面对面20年技术见证，附赠技术全景图

总结

以上是生活随笔为你收集整理的吴恩达 coursera AI 专项二第二课总结+作业答案的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。