梯度下降法学习总结

梯度下降法学习总结

梯度下降法简介

梯度下降法是求解无约束优化问题的迭代算法，每一步要求解目标函数的梯度向量。
假设目标函数$f(x)$在实数域上具有一阶连续偏导数，无约束最优化问题为：

$$min_{x\in R^n}f(x)$$ 。设 $x^*$是目标函数极小值点。选取适当的初值 $x^{(0)}$，不断迭代，更新 $x$的值，直到梯度收敛/目标函数值收敛/ｘ的值收敛。在迭代的每一步，以负梯度方向更新ｘ的值（因为函数值沿负梯度方向下降最快）。
设第ｋ此迭代值为$x^{(k)}$， $f(x)$在 $x^{(k)}$附近一阶泰勒展开： $$f(x)=f(x^{(k)})+g_k^T(x-x^{(k)})$$
其中 $g_k$是f $f(x)$在 $x^{(k)}$的梯度。
用以下方法求下一次迭代值：
$$f(x^{(k)}+\lambda_k*(-g_k))=min_{\lambda \ge 0}f(x^{(k)}+\lambda*(-g_k))$$
求出使得 $f(x^{(k)}+\lambda_k*(-g_k))$最小的 $\lambda_k$后，令 $$x^{(k+1)}=x^{(k)}+\lambda_k*(-g_k)$$

梯度下降法特点

优点：

实现简单；
目标函数是凸函数时，能达到全局最优。

缺点：

求梯度比较费时，收敛速度一般；
只能解无约束的优化问题；
目标函数非凸时，陷入局部最优。

迭代算法

输入：目标函数$f(x)$，梯度函数$g(x)$，计算精度$\varepsilon$；
输出：$f(x)$极小值点$x^*$。

1. $k=0$；随机产生$x^{(0)}\in R$；
2. 计算$x^{(k)}$处的函数值$f(x^{(k)})$
3. 计算$x^{(k)}$处的梯度值$g(x^{(k)})$；如果$g(x^{(k)})<\varepsilon$，停止迭代，令$x^*=x^{(k+1)}$；否则，求$\lambda_k$，使得 $$f(x^{(k)}+\lambda_k*(-g_k))=min_{\lambda \ge 0}f(x^{(k)}+\lambda*(-g_k))$$
4. $x^{(k+1)}=x^{(k)}+\lambda_k*(-g_k)$，计算$x^{(k+1)}$处的函数值$f(x^{(k+1)})$；如果$||f(x^{(k+1)})-f(x^{(k)})||<\varepsilon$　或者　$||x^{(k+1)}-x^{(k)}||<\varepsilon$，停止迭代；令$x^*=x^{(k+1)}$
5. 否则，令$k=k+1$，转3