1700536850
但凡学过高等数学的人，对梯度算子∇都不陌生，但是这个符号应该如何来读呢？∇符号是1837年爱尔兰物理学家和数学家哈密尔顿（W.R. Hamilton，建立哈密尔顿力学和提出四元数的大牛）首次提出的，但是并没有说明∇符号的读音。
1700536851
1700536852
于是，到了1884年，当物理学家威廉·汤姆森（William Thomson，热力学之父）想研究一下梯度时，苦于不知其读音。当时，汤姆森教授正在美国的约翰·霍普金斯大学（Johns Hopkins University，JHU）开一个系列讲座，于是他就写信问亚历山大·格拉汉姆·贝尔（Alexander Graham Bell，电话之父）。
1700536853
1700536854
贝尔回信说，早些年，他的学长詹姆斯·克拉克·麦克斯韦（James Clerk Maxwell，缔造电磁学的大牛，这里的“学长”一词是指贝尔和麦克斯韦都曾在爱丁堡大学受教育）曾经告诉贝尔，他为∇发明了一个十分有趣的发音，叫作“纳布拉”（Nabla）。Nabla原指一种希伯来竖琴，外形酷似倒三角。具体事情经过如下：
1700536855
1700536856
1870年，麦克斯韦的儿时好友，物理学家彼得·台特（Peter Guthrie Tait，将四元数发挥到化境的大牛）正在研究哈密尔顿的四元数，其中有很多∇符号。于是麦克斯韦写信给台特建议说，“亲爱的台特，如果腓尼基的王子卡德摩斯向腓尼基的教授们问这个符号的读法，那么他们肯定会说这个符号读作纳布拉。”1871年，麦克斯韦写信问台特，“你还在弹那个纳布拉琴吗？”麦克斯韦还写了一首歪诗献给台特，诗的题目是《至纳布拉琴圣手》（To the Chief Musician upon Nabla）。
1700536857
1700536858
1700536859
1700536860
1700536861
百面机器学习：算法工程师带你去面试 [:1700532209]
1700536862
百面机器学习：算法工程师带你去面试 06 随机梯度下降法的加速
1700536863
1700536864
1700536865
1700536866
场景描述
1700536867
1700536868
提到深度学习中的优化方法，人们通常会想到随机梯度下降法。但是，随机梯度下降法并不是万金油，有时候反而会成为一个坑。当你设计出一个深度神经网络时，如果只知道用随机梯度下降法来训练模型，那么当你得到一个比较差的训练结果时，你可能会放弃在这个模型上继续投入精力。然而，造成训练效果差的真正原因，可能并不是模型的问题，而是随机梯度下降法在优化过程中失效了，这可能会导致你丧失一次新发现的机会。
1700536869
1700536870
知识点
1700536871
1700536872
梯度下降法，随机梯度下降法
1700536873
1700536874
问题1 随机梯度下降法失效的原因 —— 摸着石头下山。
1700536875
1700536876
难度：★★☆☆☆
1700536877
1700536878
深度学习中最常用的优化方法是随机梯度下降法，但是随机梯度下降法偶尔也会失效，无法给出满意的训练结果，这是为什么？
1700536879
1700536880
分析与解答
1700536881
1700536882
为了回答这个问题，我们先做一个形象的比喻。想象一下，你正在下山，视力很好，能看清自己所处位置的坡度，那么沿着坡向下走，最终你会走到山底。如果你被蒙上双眼，只能凭脚底踩石头的感觉判断当前位置的坡度，精确性就大大下降，有时候你认为的坡，实际上可能并不是坡，走上一段时间发现没有下山，或者曲曲折折走了好多弯路才下山。
1700536883
1700536884
类似地，批量梯度下降法（Batch Gradient Descent，BGD）就好比正常下山，而随机梯度下降法就好比蒙着眼睛下山。具体介绍一下两种方法。
1700536885
1700536886
1700536887
批量梯度下降法在全部训练集上计算准确的梯度，即
1700536888
1700536889
1700536890
，
1700536891
1700536892
（7.46）
1700536893
1700536894
其中f (θ;xi,yi)表示在每个样本(xi,yi)的损失函数，φ(θ)为正则项。
1700536895
1700536896
随机梯度下降法则采样单个样本来估计的当前梯度，即
1700536897
1700536898
1700536899