Update 04.1-最小二乘法.md (microsoft#502)

* Update 04.1-最小二乘法.md * Update 05.3-样本特征数据标准化.md
Irisated · May 6, 2020 · 712778f · 712778f
1 parent 6b4afbd
commit 712778f
Show file tree

Hide file tree

Showing 2 changed files with 2 additions and 2 deletions.
diff --git a/A-基础教程/A2-神经网络基本原理简明教程/Step2 - LinearRegression/04.1-最小二乘法.md b/A-基础教程/A2-神经网络基本原理简明教程/Step2 - LinearRegression/04.1-最小二乘法.md
@@ -40,7 +40,7 @@ $J$称为损失函数。实际上就是试图找到一条直线，使所有样
 
 假设我们计算出初步的结果是虚线所示，这条直线是否合适呢？我们来计算一下图中每个点到这条直线的距离，把这些距离的值都加起来（都是正数，不存在互相抵消的问题）成为误差。
 
-因为上图中的几个点不在一条直线上，所以不能有一条直线能同时穿过它们。所以，我们只能想办法不断改变红色直线的角度和位置，让总体误差最小（用于不可能是0），就意味着整体偏差最小，那么最终的那条直线就是我们要的结果。
+因为上图中的几个点不在一条直线上，所以不能有一条直线能同时穿过它们。所以，我们只能想办法不断改变红色直线的角度和位置，让总体误差最小（永远不可能是0），就意味着整体偏差最小，那么最终的那条直线就是我们要的结果。
 
 如果想让误差的值最小，通过对w和b求导，再令导数为0（到达最小极值），就是w和b的最优解。
 

diff --git a/A-基础教程/A2-神经网络基本原理简明教程/Step2 - LinearRegression/05.3-样本特征数据标准化.md b/A-基础教程/A2-神经网络基本原理简明教程/Step2 - LinearRegression/05.3-样本特征数据标准化.md
@@ -7,7 +7,7 @@
 
 ### 5.3.1 发现问题的根源
 
-仔细分析一下屏幕打印信息，前两次迭代的损失值已经是天文数字了，后面的W和B的值也在不断变大，说明网络发散了。难度我们遇到了传说中的梯度爆炸！数值太大，导致计算溢出了。第一次遇到这个情况，但相信不会是最后一次，因为这种情况在神经网络中太常见了。
+仔细分析一下屏幕打印信息，前两次迭代的损失值已经是天文数字了，后面的W和B的值也在不断变大，说明网络发散了。难道我们遇到了传说中的梯度爆炸！数值太大，导致计算溢出了。第一次遇到这个情况，但相信不会是最后一次，因为这种情况在神经网络中太常见了。
 
 回想一个问题：为什么在第4章中，我们没有遇到这种情况？把第4章的数据样本拿来看一看，如表5-4所示。