为什么梯度负方向的损失函数下降速度是最快

最新推荐文章于 2023-11-27 16:26:27 发布

Bill Gu

最新推荐文章于 2023-11-27 16:26:27 发布

阅读量1.9k

点赞数

分类专栏：算法学习机器学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/gujun5168698/article/details/83752582

版权

算法学习同时被 2 个专栏收录

11 篇文章 0 订阅

订阅专栏

7 篇文章 0 订阅

订阅专栏

这一问题，网上有很多种解释，今天我主要从数学分析的角度来说一下我的看法。

一、什么是梯度

根据高等数学中梯度的定义可知梯度一个向量由函数对各个变量的偏导数组成。例如二维函数梯度是 $\bigtriangledown f = (\frac{\partial f}{\partial x},\frac{\partial f}{\partial y})$ ,同理三维函数梯度为 $\bigtriangledown f = (\frac{\partial f}{\partial x},\frac{\partial f}{\partial y},\frac{\partial f}{\partial z})$

二、方向导数

高数中过点 $M(x_{0},y_{0})$ ,以为l $l =(cos\alpha ,sin\alpha )$ 为方向向量的直线参数方程为

$x = x_{0} + tcos\alpha$

$y = y_{0} + tsin\alpha$

z = f(x,y)限制在直线L上变化时可以转换为关于t的一元函数

$\varphi (t) = f(x_{0}+tcos\alpha ,y_{0}+tsin\alpha)$

方向导数定义为 $\varphi ^{'}(0) = \bigtriangledown f.(cos\alpha ,sin\alpha ) =|\bigtriangledown f|cos\beta$ ,其中 $\beta$ 为l与梯度的夹角，由三角函数性质可知 $\beta$ =0，时方向导数最大。

由以上推导可知直线l为下降的方向，当下降的方向与梯度成0度角的时候，方向导数最大，下降速度也最快。

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
为什么梯度负方向的损失函数下降速度是最快

这一问题，网上有很多种解释，今天我主要从数学分析的角度来说一下我的看法。一、什么是梯度根据高等数学中梯度的定义可知梯度一个向量由函数对各个变量的偏导数组成。例如二维函数梯度是,同理三维函数梯度为二、方向导数高数中过点,以为l为方向向量的直线参数方程为z = f(x,y)限制在直线L上变化时可以转换为关于t的一元函数方向导数定义为,其中为l与梯度的夹角，由三角函数...
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。