跳到主要内容
Learn Motion
探索课程产品能力价格

下载 Learn Motion

用手机扫描二维码,下载 App。

App Store

扫码从 App Store 下载 Learn Motion打开商店页面

Google Play

扫码从 Google Play 下载 Learn Motion打开商店页面
登录
Learn Motion

Como a Inteligência Artificial Realmente Aprende

1O que significa 'aprender' para uma máquina2Erro, ajuste e o ciclo de aprendizado3Como o modelo encontra a direção do ajuste4Generalizar: aprender além dos exemplos vistos5Os principais paradigmas de aprendizado6Redes neurais e aprendizado profundo7Avaliar, diagnosticar e melhorar o aprendizado
Como o modelo encontra a direção do ajuste

O gradiente aponta a direção do erro

1 / 2
Imagine a perda como uma curva que sobe e desce conforme mudamos um parâmetro. A inclinação dessa curva em cada ponto é o gradiente. Se a curva está subindo para a direita, aumentar o parâmetro piora o erro, então devemos diminuí-lo. Se está descendo, aumentar o parâmetro melhora o erro. Em qualquer ponto, andar contra a inclinação leva para baixo. Repare também no fundo do vale: ali a curva fica quase plana, o gradiente se aproxima de zero e o parâmetro está perto do melhor valor local.
0:00 / 0:00

A função de perda depende dos parâmetros do modelo. Se imaginarmos um único parâmetro \(w\), a perda \(L(w)\) pode ser desenhada como uma curva: no eixo horizontal o valor de \(w\), no eixo vertical o valor da perda. Em cada ponto dessa curva existe uma inclinação, e essa inclinação é o gradiente naquele ponto, escrito \(\frac{dL}{dw}\).

O sinal do gradiente diz o que acontece se aumentarmos \(w\). Se \(\frac{dL}{dw} > 0\), aumentar \(w\) faz a perda subir; logo, diminuir \(w\) faz a perda cair. Se \(\frac{dL}{dw} < 0\), aumentar \(w\) faz a perda cair. Em ambos os casos, mover \(w\) no sentido oposto ao do gradiente reduz a perda. O módulo do gradiente indica a intensidade dessa subida: quanto maior, mais inclinada é a região e maior é o ganho potencial ao corrigir o parâmetro.

Quando o gradiente se aproxima de zero, a curva fica quase plana e o parâmetro está perto de um ponto de mínimo, onde pequenas mudanças em \(w\) quase não alteram a perda. Com muitos parâmetros, a mesma ideia se repete: existe uma componente do gradiente para cada parâmetro, e o vetor formado por todas elas aponta a direção de maior aumento da perda no espaço de parâmetros. Seguir o sentido oposto a esse vetor é a direção de descida mais íngreme disponível naquele ponto.

上一页1 / 2下一页

Learn Motion

生成课程,认真学会。

运营方:Wuhan Daoyin Technology Co., Ltd.

联系我们: [email protected]
隐私政策用户服务协议

© 2026 Learn Motion