梯度
机器学习中,梯度下降法,牛顿法都会用到梯度概念
对于一元函数,梯度可以看成导数
对于多元函数,梯度可以看成偏导数
如果多元函数包含N个自变量: x 1 , x 2 , . . . , x n x_1, x_2, ..., x_n x1,x2,...,xn,那么它的梯度就是由 x 1 , x 2 , . . . , x n x_1, x_2, ..., x_n x1,x2,...,xn分别求偏导组成的向量
记作:
▽ f ( x ) = [ δ f δ x 1 , δ f δ x 2 , . . . , δ f δ x n ] T \triangledown{f(x)} = \begin{bmatrix} \frac{\delta{f}}{\delta{x_1}},\frac{\delta{f}}{\delta{x_2}}, ..., \frac{\delta{f}}{\delta{x_n}} \end{bmatrix}^T ▽f(x)=[δx1δf,δx2δf,...,δxnδf]T