深度卷积网络原理—实例讲解梯度下降法参数更新过程
首先，先回顾梯度下降公式：（下面利用均方差MSE损失来进行演示）
梯度下降的训练公式：
接下来，按照上面的公式进行求最大值的案例讲解
令，学习速率
为0.1，初始化参数w1=0，w2=0，b=0
样本一：x1=0.1，x2=0.8
输出：
OUT=w1x1 + w2x2 + b =0*0.1 + 0*0.8 + 0 = 0
期望输出=0.8
损失：
LOSS=(OUT-期望输出)2=(0 - 0.8)2=0.64
回顾此前的公式：
因此，新的权重：
继续看下一组样本：
输入：x1=0.5，x2=0.3
输出：
期望输出=0.5
损失：
LOSS=(OUT-期望输出)2 = (0.2064-0.5)2 = 0.0862
得到新权重：
训练几百个样本后，参数w1=0.5，w2=0.5，b=0.166667
