梯度与梯度下降梯度与梯度下降

本篇系列地介绍了导数、偏导数、方向导数、梯度和梯度下降算法。
导数
文章图片
图1 导数的定义：

导数反映的是函数在某一点处沿正方向的变化率（即变化的趋势和猛烈程度），表明函数在点处沿正方向有增加的趋势，表明函数在点处沿正方向有减小的趋势；的绝对值越大，表明函数在点处增加或者减小的趋势越猛烈（也就是函数切线越陡峭）。
某一点的导数值还能说是这一点处切线的斜率
【梯度与梯度下降】符号解释：
(1) : 的变化量，是实实在在的值（比如是0.001）
(2) : ，是函数值的增量，也是可以计算出来的实实在在的值(比如是2.5 - 2.3 = 0.2)
(3)和是两个无穷小量
(4): 的变化量趋近于0时，将这个很小很小的记作
(5) 虽然我不确定与是否相等，但与肯定不想等，只能是近似相等
和差多少？
在极限微分学中，先有导数定义，所以我们从导数定义开始，
由导数定义可得，，所以得到，
当，，其中，
所以，，是的主要部分，二者相差（这应该是个高阶无穷小）
偏导数导数与偏导数的区别：导数是一元函数里的概念，偏导数是二元及多元函数里的概念
偏导数定义：
$梯度与梯度下降$
文章图片

偏导数本质上与导数一致，是固定其他自变量，只沿着某一个自变量方向的导数，称之为该自变量的偏导数。
以为例(该函数表示空间中的一个平面)，计算点处的偏导数，该函数总共有两个自变量和，则有两个偏导数：1）固定其他自变量（即另）求沿着方向的偏导数；2）固定其他自变量（即另）求沿着方向的偏导数

文章图片
图2

多元函数中某一点的偏导数，就是函数沿着某个自变量方向的导数
偏导数就是函数在某个自变量方向的切线斜率（这与一元函数中导数的切线意义是一样的）
同样，偏导数也反映了函数在某个自变量方向的变化率

偏导数并没有什么独特的神奇之处，就是一元函数导数在多元函数上的扩充。一元函数因为只有一个自变量（比如），只能在这一个方向上求导；多元函数因为有两个或者两个以上的自变量（比如），所以就需要在多个方向上求导，起了个新名字，就是偏导数，仅此而已。
方向导数

文章图片
图3 以为例，现在我不仅想要函数在某一点处沿着x轴和沿着y轴的导数（这两个导数叫做偏导数），我还想求函数在其他任意方向的导数，毕竟除了两个自变量轴的方向，还有其他无数个方向。这就是方向导数。

文章图片
图4 假设为一个曲面，为定义域中的一个点，单位向量（不仅沿着x方向、y方向有单位向量，其他方向也是可以有单位向量的），其中是此方向向量与轴正方向的夹角，显然，随着夹角的变化，可以表示任意方向。
那我们接着求函数在方向上的导数（也能叫做新名字 “方向导数”吧），如果下列的极限值存在，

则该极限值被称为函数在方向上的方向导数，记为。
由全微分定义：

另，则有

结合式（3）和式（5），得到

式（6）说明，任意方向的导数（即方向导数）可以通过偏导数和方向角来表示。
梯度函数在某一点处具有无数个方向导数，这些方向导数描述了函数所有方向上的变化率，那么自然会有一个问题：函数在哪个方向导数上变化率最大（即变化最快）呢？显然这会是个很重要的性质。

将变化率最大的那个方向导数叫做梯度。
最大方向导数的方向叫做梯度方向。
函数沿着梯度方向变化率最大，变化最快，切线斜率最大

那么这个最大的方向导数是哪个方向呢？
由公式（6），另，，是两个向量，则有

其中表示向量与向量之间的夹角
由公式（7）可知，当，即时，方向导数取得最大值，也就是说当向量与向量方向一致时，具有最大的方向导数，即梯度方向。

梯度是一个向量
梯度的方向就是偏导数组成的向量的方向，虽然在不停变化，但只有变化到与偏导数向量的方向一致时，才是最大方向导数的方向，即梯度方向。
二元函数的梯度可以表示为
多元函数的梯度可以表示为

总之，梯度是一个向量，可表示为，函数沿着梯度方向多元函数变化率最大，切线斜率最大，函数图像最陡峭。
梯度下降讲清楚梯度的概念，梯度下降不再是问题，梯度下降是指函数沿着梯度方向（这里是梯度的反方向）下降。

文章图片
图5

文章图片
图6 图5表示函数的曲面，图6表示曲面上各点的梯度，蓝色箭头的长度和方向分别表示当前点的梯度大小和梯度方向。
显然发现，在函数的谷底到峰顶的过程中，梯度值比较大，因为这里的曲面很陡峭；而在谷底附近和峰顶附近，由于曲面相对比较平缓，所以梯度值小；而且蓝色箭头的方向（梯度方向）是函数曲面增长的方向，这就说明梯度这个概念是可以有效表示这些性质的。
梯度下降算法的求解：
(1) 梯度下降算法的表达式为：

其中，为向量，例如
(2) 假设目标函数为：

(3) 那么，根据梯度公式，参数更新过程为：
() := () -
或者分开求解：

这样参数得以更新，需要注意的是：