梯度下降
编辑 同义词 梯度下降算法一般指梯度下降
梯度下降法是一个
最优化算法,通常也称为最速下降法。最速下降法是求解无约束优化问题最简单和最古老的方法之一,虽然现在已经不具有实用性,但是许多有效算法都是以它为基础进行改进和修正而得到的。最速下降法是用负梯度方向为搜索方向的,最速下降法越接近目标值,步长越小,前进越慢。
可以用于求解非线性方程组
简介编辑
常用于机器学习和人工智能当中用来递归性地逼近最小偏差模型。
求解过程编辑
顾名思义,梯度下降法的计算过程就是沿梯度下降的方向求解极小值(也可以沿递度上升方向求解极大值)。
其迭代公式为
,其中
代表梯度负方向,
表示梯度方向上的搜索步长。梯度方向我们可以通过对函数求导得到,步长的确定比较麻烦,太大了的话可能会发散,太小收敛速度又太慢。一般确定步长的方法是由线性搜索算法来确定,即把下一个点的坐标a
k+1看做是的函数,然后求满足f(a
k+1)的最小值的 即可。
![](https://i-blog.csdnimg.cn/blog_migrate/b495c013126f9c1a5a8ac4341eefed7a.png)
![](https://i-blog.csdnimg.cn/blog_migrate/6a5649d4aae6299f3e417bbd2d404725.png)
![](https://i-blog.csdnimg.cn/blog_migrate/f56e290fdcb2e61e06879d4acbc4f5db.png)
因为一般情况下,梯度向量为0的话说明是到了一个极值点,此时梯度的幅值也为0.而采用梯度下降算法进行最优化求解时,算法迭代的终止条件是梯度向量的幅值接近0即可,可以设置个非常小的常数阈值。
例子编辑
下面这个例子也鲜明的示例了"之字"的下降,这个例子用梯度下降法求极小值。
再举另外一个非常简单的例子,如求函数
的最小值。
![](https://i-blog.csdnimg.cn/blog_migrate/37378d87e78d870ddb9787a88a260dc9.png)
利用梯度下降的方法解题步骤如下:
1、求梯度,
![](https://i-blog.csdnimg.cn/blog_migrate/42060936bce0e4b364e76f2133813521.png)
2、向梯度相反的方向移动
,如下
![](https://i-blog.csdnimg.cn/blog_migrate/69d3ae631e1711d1c2dcbe68fda86f11.png)
![](https://i-blog.csdnimg.cn/blog_migrate/b44fbd43da9b9d6eca2997e0271d1c14.png)
![](https://i-blog.csdnimg.cn/blog_migrate/dc9f064c82918361484db4fe887232b9.png)
3、循环迭代步骤2,直到
的值变化到使得
在两次迭代之间的差值足够小,比如0.00000001,也就是说,直到两次迭代计算出来的
基于没有变化,则说明此时
已经达到局部最小值了。
![](https://i-blog.csdnimg.cn/blog_migrate/3b3f08dc4fd5cdd99c5b32d7810f6682.png)
![](https://i-blog.csdnimg.cn/blog_migrate/c02e3e5abb752bc759312bd20306a396.png)
![](https://i-blog.csdnimg.cn/blog_migrate/c02e3e5abb752bc759312bd20306a396.png)
![](https://i-blog.csdnimg.cn/blog_migrate/c02e3e5abb752bc759312bd20306a396.png)
4、此时,输出
,这个
就是使得函数
最小时的
的取值 。
![](https://i-blog.csdnimg.cn/blog_migrate/1f2a32fb184a7b717c9e87a16f5ace91.png)
![](https://i-blog.csdnimg.cn/blog_migrate/1f2a32fb184a7b717c9e87a16f5ace91.png)
![](https://i-blog.csdnimg.cn/blog_migrate/c02e3e5abb752bc759312bd20306a396.png)
![](https://i-blog.csdnimg.cn/blog_migrate/1f2a32fb184a7b717c9e87a16f5ace91.png)
MATLAB如下。
1
2
3
4
5
6
7
8
9
10
11
12
|
syms x;
f=x^2;
step=0.1;
x=2;
loss_changed=x^2;
loss=x^2;
while
loss_changed>0.000000001
x=x-step*2*x;
loss_changed = loss - x^2;
loss = x^2 ;
end
x
|
缺点编辑
-
靠近极小值时收敛速度减慢。
-
直线搜索时可能会产生一些问题。
-
可能会“之字形”地下降。