
上QQ阅读APP看书,第一时间看更新
5.2.3 升级梯度
既然我们已经有了一个全新的损失函数,那就来看看这个损失函数的梯度吧。直接摘自数学教科书的log损失函数对权重的偏导数如下所示:

如果你的记忆力不错,这个梯度可能看起来很熟悉。事实上,它与我们目前使用的均方误差梯度非常相似:

看看它们有多相似?这就意味着我们可以使用之前的gradient()函数:

并迅速将其转换成新的公式:

这样,我们就完成了系统从线性回归模型到分类模型的转换。让我们再花一点时间,来看看这个变化是如何影响系统模型的。