在著名的深度学习书籍第 1 章等式 6 中，神经网络中的二次成本（或均方误差）定义为

$C(w, b) = \frac{1}{2n}\sum_{x}||y(x)-a||^2$

在哪里$w$是所有权重的集合，并且$b$所有偏差的集合，$n$ 是训练输入的数量，x 是所有训练输入的集合，y(x) 是网络对输入 x 的预期输出，并且 $a$ 是输入的网络的实际输出 $x$， 关于 $w$ 和 $b$.

这个公式的大部分似乎很清楚，除了 $2$在分母中。如果我理解正确，我们将每个训练输入的平方向量长度（实际输出减去其预期输出）相加（给我们训练集的总平方误差），然后将其除以训练次数样本，得到所有训练样本的均方误差。为什么我们将其划分为$2$ 那么呢？

在其他地方，我看到 Andrew Ng 的讲座以类似的方式定义了均方成本，也使用 $2$ 在分母中，所以这似乎是一个常见的定义。