梯度下降

梯度下降

编辑 锁定

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

中文名

梯度下降

外文名

steepest descent (gradient descent)

用    于

求解非线性方程组

类    型

最优化 算法

目录

1. 1 简介
2. 2 求解过程
3. 3 例子
4. 4 缺点

梯度下降简介

编辑

梯度下降法(gradient descent)是一个 最优化算法，通常也称为 最速下降法。^[1] 

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。

梯度下降求解过程

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（也可以沿梯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看做是a _k+1的函数，然后求满足f(a _k+1)的最小值的 即可。

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。

梯度下降例子

编辑

举一个非常简单的例子，如求函数

的最小值。

利用梯度下降的方法解题步骤如下：

1、求梯度，

2、向梯度相反的方向移动

，如下

，其中，

为步长。如果步长足够小，则可以保证每一次迭代都在减小，但可能导致收敛太慢，如果步长太大，则不能保证每一次迭代都减少，也不能保证收敛。

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

基本没有变化，则说明此时

已经达到局部最小值了。

4、此时，输出

，这个

就是使得函数

最小时的

的取值 。

MATLAB如下。

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

%% 最速下降法图示 % 设置步长为0.1，f_change为改变前后的y值变化，仅设置了一个退出条件。 syms x;f=x^2; step=0.1;x=2;k=0;         %设置步长,初始值,迭代记录数 f_change=x^2;             %初始化差值 f_current=x^2;            %计算当前函数值 ezplot(@(x,f)f-x^2)       %画出函数图像 axis([-2,2,-0.2,3])       %固定坐标轴 hold on while  f_change>0.000000001                %设置条件，两次计算的值之差小于某个数，跳出循环      x=x-step*2*x;                         %-2*x为梯度反方向，step为步长，！最速下降法！      f_change = f_current - x^2;           %计算两次函数值之差      f_current = x^2 ;                     %重新计算当前的函数值      plot(x,f_current, 'ro' , 'markersize' ,7) %标记当前的位置      drawnow;pause(0.2);      k=k+1; end hold off fprintf( '在迭代%d次后找到函数最小值为%e，对应的x值为%e\n' ,k,x^2,x)

梯度下降法处理一些复杂的非线性函数会出现问题，例如Rosenbrock函数：

其最小值在

处，函数值为

。但是此函数具有狭窄弯曲的山谷，最小点

就在这些山谷之中，并且谷底很平。优化过程是之字形的向极小值点靠近，速度非常缓慢。

梯度下降缺点

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。