交互式梯度下降可视化：导数如何驱动权重更新

梯度下降是现代机器学习的基石。但理解它为什么有效——一个简单的导数如何告诉模型应该往哪个方向调整——不亲眼看到过程可能很难理解。这个交互式可视化让你可以逐步查看每一次迭代。

你会看到什么

下面的可视化展示了三个精心选择的场景，揭示梯度下降的核心机制：

• 场景一 — 预测偏低：当预测值 ŷ 低于目标 y=1 时，导数 dL/dw 为负。按照更新规则 w = w - α·(dL/dw)，减去一个负数会增大 w，推动预测值上升。
• 场景二 — 预测偏高：当 ŷ 超过目标 y=0 时，导数为正。更新规则减去一个正数，减小 w，将预测值拉回。
• 场景三 — 振荡：当学习率过大（α=4.0）时，权重反复越过最优值。导数在正负之间交替，导致权重来回弹跳，最终收敛。

交互演示

想要使用 ChatGPT Plus 或 Gemini Advanced 等高级 AI 工具？访问 SlashSub 获取最优惠的 AI 订阅方案。