Gradient Descent

转载：http://www.codelast.com/

最速下降法（又称梯度法，或Steepest Descent），是无约束最优化领域中最简单的算法，单独就这种算法来看，属于早就“过时”了的一种算法。但是，它的理念是其他某些算法的组成部分，或者说是在其他某些算法中，也有最速下降法的“影子”。因此，我们还是有必要学习一下的。
我很久以前已经写过一篇关于最速下降法的文章了，但是这里我还打算再写一篇，提供更多一些信息，让大家可以从更简单生动的方面去理解它。

『1』名字释义
最速下降法只使用目标函数的一阶导数信息——从“梯度法”这个名字也可见一斑。并且，它的本意是取目标函数值“最快下降”的方向作为搜索方向。于是我们就想知道这个问题的答案：沿什么方向，目标函数  f(x)  的值下降最快呢？

『2』函数值下降最快的方向
先说结论：沿负梯度方向  d=−gk ，函数值下降最快。
下面就来推导一下。
将目标函数 f(x) 在点 xk 处泰勒展开（这是我们惯用的“伎俩”了）——
f(x)=f(xk)+αgTkdk+o(α)
高阶无穷小 o(α) 可忽略，由于我们定义了步长 α>0 ，因此，当 gTkdk<0 时， f(x)<f(xk) ，即函数值是下降的。此时 dk 就是一个下降方向。
但是 dk 具体等于什么的时候，可使目标函数值下降最快呢？
文章来源：http://www.codelast.com/
由Cauchy-Schwartz不等式（柯西-许瓦兹不等式）可得：
∣∣dTkgk∣∣≤∥dk∥∥gk∥
当且仅当 dk=gk 时，等号成立， dTkgk 最大（>0）。
所以 dk=−gk 时， dTkgk 最小（<0）， f(x) 下降量最大。
所以 −gk 是最快速下降方向。

『3』缺点
它真的“最快速”吗？答案是否定的。
事实是，它只在局部范围内具有“最速”性质。
对整体求解过程而言，它的下降非常缓慢。

『4』感受一下它是如何“慢”的
先来看一幅图（直接从维基百科上弄过来的，感谢Wiki）：

文章来源：http://www.codelast.com/
这幅图表示的是对一个目标函数的寻优过程，图中锯齿状的路线就是寻优路线在二维平面上的投影。
这个函数的表达式是：
f(x1,x2)=(1−x1)2+100⋅(x2−x12)2
它叫做Rosenbrock function（罗森布罗克方程），是个非凸函数，在最优化领域，它通常被用来作为一个最优化算法的performance test函数。
我们来看一看它在三维空间中的图形：

文章来源： http://www.codelast.com/
它的全局最优点位于一个长长的、狭窄的、抛物线形状的、扁平的“山谷”中。

找到“山谷”并不难，难的是收敛到全局最优解（全局最优解在 (1,1) 处）。

正所谓： 世界上最遥远的距离，不是你离我千山万水，而是你就在我眼前，我却要跨越千万步，才能找到你。

文章来源： http://www.codelast.com/
我们再来看另一个目标函数 f(x,y)=sin(12x2−14y2+3)cos(2x+1−ey) 的寻优过程：

和前面的Rosenbrock function一样，它的寻优过程也是“锯齿状”的。
它在三维空间中的图形是这样的：

总而言之就是：当目标函数的等值线接近于圆(球)时，下降较快；等值线类似于扁长的椭球时，一开始快，后来很慢。

文章来源： http://www.codelast.com/
『5』为什么“慢”的分析
上面花花绿绿的图确实很好看，我们看到了那些寻优过程有多么“惨烈”——太艰辛了不是么？
但不能光看热闹，还要分析一下——为什么会这样呢？
由 精确line search满足的一阶必要条件，得：
∇f(xk+αkdk)Tdk=0 ，即 gTk+1dk=0
故由最速下降法的 dk=−gk 得：
gTk+1dk=gTk+1(−gk)=−gTk+1gk=−dTk+1dk=0⇒ dTk+1dk=0
即：相邻两次的搜索方向是相互直交的（投影到二维平面上，就是锯齿形状了）。

对精确的line search（线搜索），有一个重要的定理：

∇f(xk+αkdk)Tdk=0

这个定理表明，当前点在 dk 方向上移动到的那一点（ xk+αkdk ）处的梯度，与当前点的搜索方向 dk 的点积为零。

其中， αk 是称之为“步长”的一个实数，它是通过line search算法求出来的。

为什么会有这样的结论？我们来看看。
对每一个line search过程来说，搜索方向 dk 已经已经是确定的了（在最优化算法中，如何找出一个合适的 dk 不是line search干的事情）。所以，在一个确定的 dk 上，要找到一个合适的 αk ，使得 ϕ(α)=f(xk+αdk) 这个函数满足 f(xk+αkdk)<f(xk) ，这就是line search的目的。说白了，就是要找到 αk 使 ϕ(α) 的函数函数值变小。
文章来源：http://www.codelast.com/
但是，要小到什么程度呢？假设小到有可能的“最小”，即：
ϕ(αk)=f(xk+αkdk)=minα>0f(xk+αdk)=minα>0ϕ(α)
那么，我们称这样的line search为“精确的line search”——你看，这名字好贴切：我们精确地找到了函数值最小的那个点。

既然 xk+αkdk 是函数值最小的那个点，那么，在该点处的一阶导数（即梯度）为零，所以我们对上式求导（ α 是自变量， xk 和 dk 为常量）：
ϕ′(αk)=[f(xk+αkdk)]′⋅(0+1⋅dk)=[f(xk+αkdk)]′dk=∇f(xk+αkdk)Tdk=0
这就是我们前面说的定理了。

注：（对于line search的理解）line search是在求最佳步长，可以看出，当xk处于极值点时，其梯度为0，这时候就会收敛到这点，

而对于凸函数，只存在一个极值点，为了满足 ∇f(xk+αkdk)Tdk=0，就会找到 ∇f(xk+αkdk) = 0 的这个点，也就是极值点，

所以最佳步长的解就会一次找出极值点， 以 f(x) = x^2 为例，从 x = 1 计算，按照梯度方向，可以得到 步长 = 1/2 ， 也就是一次就到了 x = 0 的地方。

文章来源： http://www.codelast.com/
如果你非要问，为什么 dTk+1dk=0 就表明这两个向量是相互直交的？那么我就耐心地再解释一下：
由两向量夹角的公式：

=>   θ=π2
两向量夹角为90度，因此它们直交。

『6』优点
这个被我们说得一无是处的最速下降法真的就那么糟糕吗？其实它还是有优点的：程序简单，计算量小；并且对初始点没有特别的要求；此外，许多算法的初始/再开始方向都是最速下降方向（即负梯度方向）。
文章来源：http://www.codelast.com/
『7』收敛性及收敛速度
最速下降法具有整体收敛性——对初始点没有特殊要求。
采用精确线搜索的最速下降法的收敛速度：线性。