梯度下降法公式推导

梯度下降法

梯度下降法是求解无约束最优化问题的一种最常用的方法，是一种迭代算法，每一步需要求解目标函数的梯度向量。

梯度的定义：

某一函数沿着某点处的方向导数可以以最快速度到达极大值，该方向导数我们定义为该函数的梯度。
                                                                          
其中θ是自变量，f(θ)是关于θ的函数，▽表示梯度。 所要研究的梯度下降式子可以写为： 
                                                                
其中η是步长，θ是由θ0按照上述式子更新后的值。

梯度是微积分中一个很重要的概念。

• 在单变量的函数中，梯度其实就是函数的微分，代表着函数在某个给定点的切线的斜率
• 在多变量函数中，梯度是一个向量，向量有方向，梯度的方向就指出了函数在给定点的上升最快的方向

梯度的方向是函数在给定点上升最快的方向，那么梯度的反方向就是函数在给定点下降最快的方向。

其中：

步长：梯度下降迭代过程中每一步沿负方向前进的长度。

步长选择：

•  步长太大，会导致迭代过快，错过最优解;
• 步长太小，迭代速度太慢，耗时间太长。

公式推导：

一阶泰勒展开式

一阶泰勒展开式利用的是函数的局部线性近似这个概念

其中，  是微小矢量，它的大小就是我们之前讲的步进长度 ，为标量，而的单位向量用表示，则可以表示为：。

在泰勒公式中，我们为了保证该式成立，最重要的一点是要保证θ和θ0的差距要足够小，只有这样才能够应用泰勒公式的基本思想“以直代曲”，即

 

即推导得到了梯度下降算法中的更新表达式。

原：https://zhuanlan.zhihu.com/p/36503663

比较详细的介绍：https://blog.csdn.net/pxhdky/article/details/82430196