在梯度检查中，我们是否对 theta 和常量参数 b 都 add/subtract epsilon（一个很小的值）？
In gradient checking, do we add/subtract epsilon (a tiny value) to both theta and constant parameter b?
我一直在学习 Andrew Ng 的深度学习 AI 课程（课程 2）。
对于梯度检查练习，他实现了一个函数，将包含所有权重 (W) 和常量 (b) 的字典转换为单个单热编码向量（尺寸为 47 x 1）。
起始代码然后遍历此向量，将 epsilon 添加到向量中的每个条目。
梯度检查通常包括向常量添加 epsilon/subtracting 吗？或者只是为了方便，因为常数在成本函数的整体计算中所起的作用相对较小？
无论如何你都应该这样做，即使是常量。原因很简单：作为常数，你知道它们的梯度为零，所以你仍然想检查你 "compute" 它是否正确。您可以将其视为额外的安全网
我一直在学习 Andrew Ng 的深度学习 AI 课程（课程 2）。
对于梯度检查练习，他实现了一个函数，将包含所有权重 (W) 和常量 (b) 的字典转换为单个单热编码向量（尺寸为 47 x 1）。
起始代码然后遍历此向量，将 epsilon 添加到向量中的每个条目。
梯度检查通常包括向常量添加 epsilon/subtracting 吗？或者只是为了方便，因为常数在成本函数的整体计算中所起的作用相对较小？
无论如何你都应该这样做，即使是常量。原因很简单：作为常数，你知道它们的梯度为零，所以你仍然想检查你 "compute" 它是否正确。您可以将其视为额外的安全网