2017.以下哪个不是深度学习中常见的优化器?

题目解析： 题干要求判断哪个选项不是深度学习中常见的优化器。 逐项分析选项： A: SGD（Stochastic Gradient Descent，随机梯度下降） SGD 是深度学习中最基础且广泛使用的优化算法之一。它通过在每次迭代中使用单个样本或小批量样本来估计梯度，从而更新模型参数。尽管简单，但在许多场景下仍然有效，是其他更复杂优化器的基础。 B: Adam（Adaptive Moment Estimation） Adam 是一种自适应学习率的优化算法，结合了动量法（Momentum）和RMSprop的优点，能够对每个参数自动调整学习率。因其收敛速度快、性能稳定，被广泛应用于各类深度学习任务中，是目前最常用的优化器之一。 C: NaiveBayes（朴素贝叶斯） NaiveBayes 是一种基于贝叶斯定理的分类算法，属于概率图模型的一种，常用于文本分类、垃圾邮件识别等任务。它是一种生成式机器学习模型，而不是用于训练神经网络的优化器。因此，它不参与模型参数的梯度更新过程，也不属于优化算法范畴。 D: RMSprop（Root Mean Square Propagation） RMSprop 是一种自适应学习率优化方法，通过除以历史平方梯度的移动平均来调整每个参数的学习率，有助于缓解梯度消失和震荡问题。它在深度学习中被广泛使用，尤其是在RNN等结构中表现良好。 核心知识点讲解： 优化器（Optimizer）在深度学习中的作用是根据损失函数的梯度更新神经网络的参数，以最小化损失函数。常见的优化器大多基于梯度下降思想，并在此基础上引入动量、自适应学习率等机制来提升训练效率和稳定性。 常见优化器包括： - SGD：基础优化方法，可配合动量使用。 - Momentum：引入动量项加速收敛。 - RMSprop：对学习率进行自适应调整。 - Adam：结合动量与自适应学习率，综合性能优秀。 而 NaiveBayes 属于传统的机器学习分类算法，其原理基于概率统计，不涉及梯度计算与反向传播，因此不能作为神经网络的优化器。 结论： 正确答案为 C，因为 NaiveBayes 不是优化器，而是分类算法。