SGD s impulsom / Adamov optimizator
Stohastički gradijentni spust (SGD) s impulsom i njegov adaptivni nasljednik Adam temeljni su algoritmi za ažuriranje parametara koji se koriste za treniranje gotovo svakog modernog modela dubokog učenja. Impulsni SGD formalizirao je Polyak (1964.) i uveo ga u treniranje neuronskih mreža Rumelhart, Hinton i Williams (1986.). Adam, koji su predstavili Kingma i Ba na ICLR-u 2015., proširio je ideju impulsa održavanjem pokretnog prosjeka kvadriranih gradijenata, proizvodeći adaptivne stope učenja po parametru koje ga čine zadanim optimizatorom u suvremenoj praksi dubokog učenja.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Karta metoda
Okruženje srodnih metoda — odaberite čvor za istraživanje.
Izvori
- Kingma, D. P., & Ba, J. (2015). Adam: A method for stochastic optimization. International Conference on Learning Representations (ICLR 2015). arXiv:1412.6980. link ↗
- Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323, 533–536. DOI: 10.1038/323533a0 ↗
- Polyak, B. T. (1964). Some methods of speeding up the convergence of iteration methods. USSR Computational Mathematics and Mathematical Physics, 4(5), 1–17. DOI: 10.1016/0041-5553(64)90137-5 ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Ch. 8: Optimization for Training Deep Models). MIT Press. ISBN: 978-0-262-03561-3
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Stochastic Gradient Descent with Momentum and Adaptive Moment Estimation (Adam). ScholarGate. https://scholargate.app/hr/deep-learning/stochastic-gradient-descent-with-momentum-adam-optimizer
Koja metoda?
Postavite ovu metodu uz njoj najsrodnije i pročitajte ih jednu uz drugu — knjižnica vam knjige stavlja na stol; izbor je na vama.
Usporedi jedno uz drugo →Similar methods
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →