梯度下降法
![本页使用了标题或全文手工转换](http://images.weserv.nl/?url=//upload.wikimedia.org/wikipedia/commons/thumb/c/cd/Zh_conversion_icon_m.svg/35px-Zh_conversion_icon_m.svg.png)
(重定向自梯度下降)
梯度下降法(英語:Gradient descent)是一个一阶最优化算法,通常也称为最陡下降法,但是不該與近似積分的最陡下降法(英語:Method of steepest descent)混淆。 要使用梯度下降法找到一个函数的局部极小值,必须向函数上当前点对应梯度(或者是近似梯度)的反方向的规定步长距离点进行迭代搜索。如果相反地向梯度正方向迭代进行搜索,则会接近函数的局部极大值点;这个过程则被称为梯度上升法。
描述
![](http://images.weserv.nl/?url=//upload.wikimedia.org/wikipedia/commons/thumb/7/79/Gradient_descent.png/220px-Gradient_descent.png)
梯度下降方法基于以下的观察:如果实值函数在点处可微且有定义,那么函数在点沿着梯度相反的方向 下降最多。
因而,如果
对于一個足够小数值時成立,那么。
考虑到这一点,我们可以从函数的局部极小值的初始估计出发,并考虑如下序列 使得
- 。
因此可得到
如果顺利的话序列收敛到期望的局部极小值。注意每次迭代步长可以改变。
右侧的图片示例了这一过程,这里假设定义在平面上,并且函数图像是一个碗形。蓝色的曲线是等高线(水平集),即函数为常数的集合构成的曲线。红色的箭头指向该点梯度的反方向。(一点处的梯度方向与通过该点的等高线垂直)。沿着梯度下降方向,将最终到达碗底,即函数局部極小值的点。
例子
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函數
其最小值在处,数值为。但是此函数具有狭窄弯曲的山谷,最小值就在这些山谷之中,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。
下面这个例子也鲜明的示例了"之字"的上升(非下降),这个例子用梯度上升(非梯度下降)法求的局部极大值(非局部极小值)。
缺点
梯度下降法的缺點包括:[1]
- 靠近局部極小值时速度减慢。
- 直線搜索可能會產生一些問題。
- 可能會“之字型”地下降。
上述例子也已体现出了这些缺点。
参阅
参考文献
- ^ David W. A. Bourne. Steepest Descent Method. (原始内容存档于2009年2月10日) (英语).
- Mordecai Avriel (2003). Nonlinear Programming: Analysis and Methods. Dover Publishing. ISBN 0-486-43227-0.
- Jan A. Snyman (2005). Practical Mathematical Optimization: An Introduction to Basic Optimization Theory and Classical and New Gradient-Based Algorithms. Springer Publishing. ISBN 0-387-24348-8
外部链接
- (英文)Interactive examples of gradient descent and some step size selection methods (页面存档备份,存于互联网档案馆)
- (英文)Using gradient descent in C++, Boost, Ublas for linear regression (页面存档备份,存于互联网档案馆)
|