DAY1-02.05.2020

最新推荐文章于 2021-03-02 16:17:21 发布

Hao Yijia

最新推荐文章于 2021-03-02 16:17:21 发布

阅读量143

点赞数

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/qq_43063692/article/details/104187709

版权

这篇博客介绍了数学优化的一些基本概念，包括梯度的理解，梯度与方向导数的关系，以及如何利用梯度找到函数值增长最快的方向。接着讨论了凸函数的代数和几何特性，并列举了一些常见例子。还探讨了多元函数求极值的条件，Hessian矩阵及其在判断局部极值中的作用。此外，提到了最小二乘法的应用，梯度下降法以及拉格朗日乘子法解决约束最优化问题的方法。最后，简单介绍了泰勒级数作为函数近似的概念。

摘要由CSDN通过智能技术生成

在这里插入图片描述

梯度理解

方向导数
- 定义：若f（x,y）在（x0,y0附近有定义）且下式存在，则f沿l方向导数即为下式。
  $l为方向，(cos\alpha，cos\beta)为方向余弦$
- 定理（方向导数与偏导数的关系）：由函数的可微性和方向导数定义推得。
  （任务64：课时66 9.9 方向导数与梯度 12min30s）
- 梯度：
  - 方向向量和梯度同向（沿梯度方向），方向导数最大，函数值增大最快。
  - 梯度是一个向量。

凸函数

代数上：
- 定义：判断方法有很多。比如：

最低0.47元/天解锁文章

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

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。