About 16,800 results
Open links in new tab
  1. 可能是深度学习中最重要的超参数:学习率 - 知乎

    In machine learning and statistics, the learning rate is a tuning parameter in an optimization algorithm that determines the step size at each iteration while moving toward a minimum of a loss function [^7].

  2. 【深度学习】学习率 (learning rate)_深度学习中学习率-CSDN博客

    Jan 25, 2023 · Introduction 学习率 (learning rate),控制 模型 的 学习进度 : lr 即 stride (步长) ,即 反向传播算法 中的 η : ω n ← ω n − η ∂ L ∂ ω n \omega^ {n} \leftarrow \omega^ {n} - \eta \frac {\partial …

  3. 学习率 - 维基百科,自由的百科全书

    学习率 在 机器学习 和 统计学 中, 学习率 (英語: Learning rate)是优化算法中的一个可调参数,它决定了每次迭代的步长,使得优化向 损失函数 的最小值前进。 [1] 它影响到新学习到的信息在多大程 …

  4. 学习率 (Learning rate)的理解以及如何调整学习率 - EEEEEcho - 博客园

    Aug 13, 2018 · 1. 什么是学习率 (Learning rate)? 学习率 (Learning rate)作为监督学习以及深度学习中重要的超参,其决定着目标函数能否收敛到局部最小值以及何时收敛到最小值。 合适的学习率能够使 …

  5. 机器学习-学习率:从理论到实战,探索学习率的调整策略 - 知乎

    一、引言 学习率(Learning Rate)是机器学习和深度学习中一个至关重要的概念,它直接影响模型训练的效率和最终性能。 简而言之,学习率控制着模型参数在训练过程中的更新幅度。 一个合适的学习 …

  6. Learning Rate in Neural Network - GeeksforGeeks

    Jul 23, 2025 · The learning rate is a key hyperparameter in neural networks that controls how quickly the model learns during training. It determines the size of the steps taken to minimize the loss function.

  7. Learning rate - Wikipedia

    In machine learning and statistics, the learning rate is a tuning parameter in an optimization algorithm that determines the step size at each iteration while moving toward a minimum of a loss function. [1]

  8. 深度学习: 学习率 (learning rate)-腾讯云开发者社区-腾讯云

    Jul 24, 2025 · Introduction 学习率 (learning rate),控制 模型的 学习进度 : lr 即 stride (步长) ,即 反向传播算法 中的 ηη\eta : ωn←ωn−η∂L∂ωnωn←ωn−η∂L∂ωn\omega^ {n} \leftarrow \omega^ {n} - …

  9. 深度学习学习率 (Learning Rate)lr理解 - ZERO- - 博客园

    Apr 23, 2024 · 如何理解深度学习中的学习率 (Learning Rate): 学习率 (Learning Rate)是神经网络和其他机器学习算法中非常重要的一个超参数。 它决定了在优化过程中参数更新的步长大小。 1. 基本定 …

  10. What is learning rate in machine learning? - California Learning ...

    May 8, 2025 · In machine learning, algorithms iteratively refine internal parameters to minimize a loss function, effectively learning from data. A crucial hyperparameter governing this iterative process is …