页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「极大似然估计」找到 2 条内容
按专题浏览 →匹配正文：… -\log(\hat{y}) & y=1 \\ -\log(1-\hat{y}) & y=0 \end{cases} 设计动机：极大似然估计 逻辑回归假设 P(y=1|x) = \hat{y}，服从伯努利分布 对单个样本，似然函数：P(y|x) = \hat{y}^y (1-\hat{y})^{1-y} 取负对数即得交叉熵损失，最小化损失等价于最大化似然 核心优势 特性 说明 凸函数 对参数 w 是凸的，保证全局最优，梯度下降收敛稳定 梯度非饱和 \frac{\partia…
匹配标题与标签：…E vs 交叉熵损失怎么选? 数学定义、梯度特性区别及LLM预训练微调为何用交叉熵 模型训练 损失函数 交叉熵 MSE 梯度特性 极大似然估计 2026真题 MSE vs 交叉熵 损失函数选择 LLM 预训练损失函数 交叉熵梯度特性 大模型训练与微调 字节
学习内容与项目面试，在同一条路上。