下降（descent)

A.紧急下降、紧急下降，Emergency descent、emergency descent

B.紧急下降、紧急下降

C.应急下降、应急下降

D.应急下降、应急下降； Emergency descent、emergency descent

A.密集度

B.指示，表示

C.下降，降落

D.放逐，驱逐

A、梯度下降法作为机器学习中较常使用的优化算法，其有着三种不同的形式：批量梯度下降（Batch Gradient Descent）、随机梯度下降（Stochastic Gradient Descent）以及小批量梯度下降（Mini-Batch Gradient Descent）

B、批量梯度下降法是最原始的形式，它是指在每一次迭代时使用所有样本来进行梯度的更新

C、随机梯度下降法不同于批量梯度下降，是每次迭代使用一个样本来对参数进行更新

D、小批量梯度下降法是对批量梯度下降以及随机梯度下降的一个折中办法。更新参数时使用一部分训练样本。一般将训练样本集分成若干个batch，每个batch包含m个样本。每次更新都利用一个batch的数据，而非整个训练集

A.飞机在低于所选择的飞行高度改平

B. 选择的着陆高度高于选择的座舱高度

C. 选择的着陆高度低于选择的座舱高度

D. 飞机在达到所选择的飞行高度前开始下降

A、梯度下降是利用一阶的梯度信息找到代价函数局部最优解的一种方法

B、通常会先初始化一组参数值, 在这个值之上，用梯度下降法去求出下一组的值。由于是梯度下降的，所以损失函数的值在下降。当迭代到一定程度， 损失函数取值趋于稳定，此时的参数取值即为要求得的值

C、学习速率的选取很关键，如果学习速率取值过大，容易达不到极值点甚至会发散，学习速率太小容易导致收敛时间过长

D、其中的学习速率是模型参数，而不是超参数

A.CD是一种梯度优化算法

B.在每次迭代中，该方法在当前点处沿一个坐标方向进行一维搜索以求得一个函数的局部极小值。在整个过程中循环使用不同的坐标方向

C.该方法从一个初始的猜测值以求得函数的局部最优值。该方法需要迭代进行

D.如果在某次迭代中，函数得不到优化，说明一个驻点已经达到。但是对于非平滑函数，坐标下降法可能会在在非驻点中断执行

A New Zealander of European descent is known as a

A．Pakeha.

B．Kiwi.

C．Pukeko.

D．Maori.

A.White Dew

B.Frost’s Descent

C.Cold Dew