梯度上升：一种迭代优化方法，沿着目标函数在当前点的梯度（最陡上升方向）更新参数，从而逐步最大化目标函数（常用于最大化对数似然、收益函数等）。
（相关概念：与 gradient descent（梯度下降）相对，后者用于最小化目标函数。）
/ˈɡreɪdiənt əˈsent/
We use gradient ascent to maximize the log-likelihood.
我们使用梯度上升来最大化对数似然。
In reinforcement learning, policy parameters can be updated via gradient ascent on expected return, though practical algorithms often include baselines or constraints to stabilize training.
在强化学习中，策略参数可以通过对期望回报做梯度上升来更新，不过实际算法通常会加入基线项或约束以稳定训练。
gradient 来自拉丁语 gradus（“步、级”），引申为“变化的斜率/梯度”；ascent 来自拉丁语 ascendere（“向上攀登”）。合起来字面意思就是“沿着斜率向上走”，在数学与机器学习语境中即“沿梯度方向上升以增大函数值”。
Select Language