Gradient Descent(梯度下降) + Momentum(动量)
上次 这里 介绍了Gradient Descent寻找最优解的过程
学习到发现还有一个算法就是加上Momentum(动量，就是上一次Gradient Descent后的步长值)来作为下一次更新位置的参数，这样来寻找局部最优解Local Minima的话，会比单独使用梯度下降法来求解效果更好，有一点像粒子群算法。
Movement：最后一步的移动目前是最小的梯度
首先
同梯度下降法一样，找到一点起始点
此时的位移（Movement）为0，故
- 紧接着
Gradient Descent来计算
再计算下一步的
由于加了动量，故不再按照梯度下降法的反方向寻找Local Minima了
- 然后
注意，此时的θ 2 θ^2θ
2
为Gradient Descent(梯度下降) + Momentum(动量)以后的方向，这样的话寻找 Local MInima会更加精确，避免overfitting，和共轭方向法类似。
然后，以此类推求下去
具体地，如下图，加上动量后，寻找的过程可能会比单一梯度下降慢，就比如在遇见第一个Local MInima的时候，Gradient Descent或许就会停下来了，而Gradient Descent(梯度下降) + Momentum(动量)呢，当上一步的Movement和g x g^xg
x
的大小相等，方向相反，那么会被抵消；若Movement大于g x g^xg
x
的值，那么会继续往后面去寻找局部最优解，但是最终，还是会回到最好的局部最优解位置来。
Deep Learning Fitting！！！
