导数、梯度、微分、次导数、次微分和次梯度的概念

本文深入探讨了导数、微分、梯度、次导数、次微分及次梯度的概念,特别是在凸优化领域的应用。从一元函数到多元函数,详细解释了这些概念之间的联系和区别。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >


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:
在这里插入图片描述

次微分

一元函数中的称呼
凸函数 f f f: I → R I→R IR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(xx0)
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=xx0limxx0f(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=xx0+limxx0f(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:UR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(xx0)
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。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值