首先感谢如下两位博主的精彩原创:
参考文献:
https://blog.csdn.net/bitcarmanlee/article/details/51896348
https://blog.csdn.net/qq_32742009/article/details/81704139
次导数、次微分和次梯度属于凸优化中的概念。在对三者进行阐述之前,先回顾下导数、微分、和梯度的概念。
导数
梯度在一元函数中的特例。
梯度
是一个向量,梯度的本意是一个向量(矢量),表示某一函数在该点处的方向导数沿着该方向取得最大值,即函数在该点处沿着该方向(此梯度的方向)变化最快,变化率最大(为该梯度的模)。计算时候,对每一维的方向求偏导。
微分
是一个增量
次导数
一元函数中的称呼
导数的泛化意义,如果函数f(x)在某点不可导,那么在该点函数f(x)就不存在导数,但在该点会存在次导数。
次导数,即通过该不可导点(x0,f(x0))的一条直线的斜率,该直线要在函数图像之下或者和函数图像重合,不能超过函数图像或与函数图像相交。即可以用下图来表示:
次微分
一元函数中的称呼
凸函数
f
f
f:
I
→
R
I→R
I→R在点
x
0
x_0
x0的次导数,是实数c使得:
f
(
x
)
−
f
(
x
0
)
≥
c
(
x
−
x
0
)
f(x) - f(x_0) \geq c(x - x_0)
f(x)−f(x0)≥c(x−x0)
对于所有
I
I
I内的
x
x
x。我们可以证明,在点
x
0
x_0
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
=
lim
x
→
x
0
−
f
(
x
)
−
f
(
x
0
)
x
−
x
0
a = \lim_{ x \rightarrow x_0^-} \frac{f(x)-f(x_0)}{x - x_0}
a=x→x0−limx−x0f(x)−f(x0)
b
=
lim
x
→
x
0
+
f
(
x
)
−
f
(
x
0
)
x
−
x
0
b = \lim_{ x \rightarrow x_0^+} \frac{f(x)-f(x_0)}{x - x_0}
b=x→x0+limx−x0f(x)−f(x0)
它们一定存在,且满足a ≤ b。
所有次导数的集合[a,b][a,b]称为函数ff在x0x0的次微分。
例如:考虑凸函数f(x)=|x|f(x)=|x|。在原点的次微分是区间[−1, 1]。x0<0x0<0时,次微分是单元素集合{-1},而x0>0x0>0,则是单元素集合{1}。
次梯度
次导数在多元函数中的称呼
次导数和次微分的概念可以推广到多元函数。如果
f
:
U
→
R
f:U→ R
f:U→R是一个实变量凸函数,定义在欧几里得空间
R
n
R^n
Rn内的凸集,则该空间内的向量
v
v
v称为函数在点
x
0
x_0
x0的次梯度,如果对于所有
U
U
U内的
x
x
x,都有:
f
(
x
)
−
f
(
x
0
)
≥
v
⋅
(
x
−
x
0
)
f(x)−f(x_0)≥v⋅(x−x_0)
f(x)−f(x0)≥v⋅(x−x0)
需要说明的是上面的概念是对一元函数的而言的,当然次导数和次微分也可以推广到多元函数。
结合上面梯度的定义来看,次导数是次梯度的一种特殊情况,即函数f只是一元函数。在忽略变量个数时,可以认为次导数和次梯度是一个概念。
一维次梯度称为次导数,通过求函数在某点的每一分量的次导数(对应可导中求对每个变量求偏导)可以求出函数在该点的次梯度。在一元函数中,某点所有次导数的集合被称为次微分,而在多元函数中,所有次梯度的集合被称为次微分。函数f在某不可微点的次梯度不唯一,特别的,当f可微的时候,次梯度和梯度等价。
次微分
次微分在多元函数中的称呼
所有次梯度的集合称为次微分,记为
∂
f
(
x
0
)
∂f(x0)
∂f(x0)。次微分总是非空的凸紧集。