ML中经常遇到梯度下降算法,而梯度的概念是从多元函数的方向导数得出的,本文用于将方向导数及梯度进行讲解。
方向导数的定义
设存在一个二元函数z=f(x,y)。目前现在存在一个方向l=(l0cosα,l0cosβ),其中l0为改方向l的模。则定义:
若以上极限存在,则称f(x,y)在点(x0,y0)沿l方向的方向导数存在。
方向导数的公式求解
r若z=f(x,y)可微,则
,其中(cosα,cosβ)为方向l的单位方向向量
梯度的定义及与方向导数的关系
对于二元函数z=f(x,y),其梯度为:
易见梯度为一个向量,这个向量具有特殊含义,沿该向量方向,方向导数最大。那最大值为多少呢?
我们直接把梯度带入到方向导数公式,可得其为梯度的模。
梯度下降算法解析
while (循环成立条件)
循环图片所示算法(α为学习率)