次导数 次梯度 小结

项目github地址：bitcarmanlee easy-algorithm-interview-and-practice
欢迎大家star，留言，一起学习进步

1.导数(Derivative)的定义

在说次梯度之前，需要先简单介绍一下导数的概念与定义。导数（英语：Derivative）是微积分学中重要的基础概念。一个函数在某一点的导数描述了这个函数在这一点附近的变化率。导数的本质是通过极限的概念对函数进行局部的线性逼近。
对于一般的函数$f(x)$，其导数为：
$$f^{\prime }(x)=\underset{\Delta x\to 0}{\lim }\frac{\Delta y}{\Delta x}=\underset{\Delta x\to 0}{\lim }\frac{f(x_0+\Delta x)-f(x_0)}{\Delta x}$$

如果不使用增量，$f(x)$在 $x_0$处的导数 也可以定义为：当定义域内的变量 $x$趋近于 $x_0$时，
$$f^{\prime }(x)=\frac{f(x)-f(x_0)}{x-x_0}$$

2.次导数(subderivative)

次导数（subderivative）、次微分（subdifferential）、次切线（subtangent lines）和次梯度（subgradient）的概念出现在凸分析，也就是凸函数的研究中。

设f:I→R是一个实变量凸函数，定义在实数轴上的开区间内。这种函数不一定是处处可导的，例如最经典的例子就是$f(x)=|x|$，在$x=0$处不可导。但是，从下图的可以看出，对于定义域内的任何$x_0$，我们总可以作出一条直线，它通过点$(x_0,f(x_0))$，并且要么接触f的图像，要么在它的下方。这条直线的斜率称为函数的次导数。

3.次导数与次微分(subdifferential)计算方式

凸函数f:I→R在点x0的次导数，是实数c使得：
$$f(x)-f(x_0)\ge c(x-x_0)$$
对于所有I内的x。我们可以证明，在点x0的次导数的集合是一个非空闭区间[a, b]，其中a和b是单侧极限
$$a=\underset{x\to x_0^{-}}{\lim }\frac{f(x)-f(x_0)}{x-x_0}$$
$$b=\underset{x\to x_0^{+}}{\lim }\frac{f(x)-f(x_0)}{x-x_0}$$

它们一定存在，且满足a ≤ b。
所有次导数的集合$[a,b]$称为函数$f$在$x_0$的次微分。

例如：考虑凸函数$f(x)=|x|$。在原点的次微分是区间[−1, 1]。$x_0<0$时，次微分是单元素集合{-1}，而$x_0>0$，则是单元素集合{1}。

4.性质及推广

1.凸函数f:I→R在x0可导，当且仅当次微分只由一个点组成，这个点就是函数在$x_0$的导数。
2.点$x_0$是凸函数f的最小值，当且仅当次微分中包含零，也就是说，在上面的图中，我们可以作一条水平的“次切线”。这个性质是“可导函数在极小值的导数是零”的事实的推广。

5.次梯度

次导数和次微分的概念可以推广到多元函数。如果f:U→ R是一个实变量凸函数，定义在欧几里得空间Rn内的凸集，则该空间内的向量v称为函数在点x0的次梯度，如果对于所有U内的x，都有：
$$f(x)-f(x_0)\ge v\cdot (x-x_0)$$
所有次梯度的集合称为次微分，记为$\partial f(x_0)$。次微分总是非空的凸紧集。