之前,有写过 图像的梯度, 现在写写基于梯度之上的 Jacobian矩阵和Hessian矩阵。
梯度(Gradient)
Like the derivative, the gradient represents the slope of the tangent of the graph of the function. More precisely, the gradient points in the direction of the greatest rate of increase of the function, and its magnitude is the slope of the graph in that direction. – Wikipedia
梯度是一个向量。对于一个连续函数在某点的梯度而言,梯度的方向代表了函数值变化最快的方向, 梯度的模长代表了函数值的最大变化率。梯度各个分量,由此函数在各个基方向上的偏导组成。
Jacobian 矩阵
Jacobian 矩阵是对梯度的一种泛化。梯度对应的是输出值为标量的函数 f:Rn→R f : R n → R ,Jacobian 矩阵就是把梯度的概念泛化到输出值为向量的函数 f:Rn→Rm f : R n → R m 。这种函数,可以看做由 m m 个实函数组成,这些实函数的偏导数(如果存在)的话,可以组成一个 m 行 n 列的矩阵,这就是Jacobian 矩阵的定义。