人工智能之数学基础篇—高等数学基础(下篇)

Posted Roar冷颜

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了人工智能之数学基础篇—高等数学基础(下篇)相关的知识,希望对你有一定的参考价值。

  最后,来重点介绍一下方向导数和梯度。因为梯度下降法是机器学习领域非常重要的算法之一,也是应用广泛的优化算法之一。在本篇文章中,我将综合实例来重点介绍梯度下降法及其应用,并利用Python语言编程实现。查看本文之前,可以先阅读人工智能之数学基础篇—高等数学基础上篇人工智能之数学基础篇—高等数学基础中篇

6 方向导数

6.1 方向导数的定义

  由二元函数偏导数的概念,我们知道函数 f ( x , y ) f(x,y) f(x,y) 在点 ( x 0 , y 0 ) \\left ( x_{0},y_{0} \\right ) (x0,y0) 处的两个偏导数,分别是函数 f f f 在点 ( x 0 , y 0 ) \\left ( x_{0},y_{0} \\right ) (x0,y0) 处沿与 x x x 轴和 y y y 轴平行的方向的变化率。但是在许多实际问题中,仅仅研究函数沿这两个特殊方向的变化率是远远不够的,还需要研究函数沿各个不同方向的变化率。例如,在大气气象中,就需要研究温度、气压沿不同方向的变化率。这就是所谓的方向导数。

  从上述的分析中可以看出,偏导数反映的是函数沿坐标轴方向的变化率,方向导数本质上研究的是函数在某点处沿某特定方向的变化率问题。

  比如 z = f ( x , y ) z=f(x,y) z=f(x,y) 在点 p ( x 0 , y 0 ) p\\left ( x_{0},y_{0} \\right ) p(x0,y0) 沿方向 l l l 的变化率。假设方向如图10所示, l l l x O y xOy xOy 平面上以 p p p 为起始点的一条射线, p ′ p^{'} p 为方向 l l l 上的另一点。

图10 函数沿方向 l l l 的变化率

  由图10可知, p p p p ′ p^{'} p之间的距离 ∣ p p ′ ∣ = ρ = Δ x 2 + Δ y 2 \\left | pp^{'} \\right | = \\rho = \\sqrt{\\Delta x^{2} + \\Delta y^{2}} pp=ρ=Δx2+Δy2

  函数的增量 Δ z = f ( x 0 + Δ x , y 0 + Δ y ) − f ( x 0 , y 0 ) \\Delta z = f\\left ( x_{0}+\\Delta x, y_{0}+\\Delta y \\right ) - f\\left ( x_{0},y_{0} \\right ) Δz=f(x0+Δx,y0+Δy)f(x0,y0)

  考虑函数的增量与这两点间距离的比值,当 p ′ p^{'} p 沿着方向 l l l 趋于 p p p 时,如果这个比的极限存在,则称这个极限为函数 f ( x , y ) f(x,y) f(x,y) 在点 p p p 沿方向 l l l 的方向导数,记作 ∂ f ∂ l \\frac{\\partial f}{\\partial l} lf,即
∂ f ∂ l = lim ⁡ ρ → 0 f ( x 0 + Δ x , y 0 + Δ y ) − f ( x 0 , y 0 ) ρ \\frac{\\partial f}{\\partial l}= \\lim_{\\rho \\rightarrow 0}\\frac{f\\left ( x_{0}+\\Delta x, y_{0}+\\Delta y \\right ) - f\\left ( x_{0},y_{0} \\right )}{\\rho } lf=ρ0limρf(x0+Δx,y0+Δy)f(x0,y0)

  从定义可知,当函数 f ( x , y ) f(x,y) f(x,y) 在点 p ( x 0 , y 0 ) p\\left ( x_{0},y_{0} \\right ) p(x0,y0) 的偏导数 f x ( x 0 , y 0 ) f_{x}\\left ( x_{0},y_{0} \\right ) fx(x0,y0) f y ( x 0 , y 0 ) f_{y}\\left ( x_{0},y_{0} \\right ) fy(x0,y0) 存在时,函数 f ( x , y ) f(x,y) f(x,y) p p p 点沿着 x x x 轴正向单位向量 e 1 = { 1 , 0 } e_{1}=\\left \\{ 1,0 \\right \\} e1={1,0} y y y 轴正向单位向量 e 2 = { 0 , 1 } e_{2}=\\left \\{ 0,1 \\right \\} e2={0,1} 的方向导数存在,且其值依次为 f x ( x 0 , y 0 ) f_{x}\\left ( x_{0},y_{0} \\right ) fx(x0,y0) f y ( x 0 , y 0 ) f_{y}\\left ( x_{0},y_{0} \\right ) fy(x0,y0);函数 f ( x , y ) f(x,y) f(x,y) p p p以上是关于人工智能之数学基础篇—高等数学基础(下篇)的主要内容,如果未能解决你的问题,请参考以下文章

AI零基础入门之人工智能开启新时代—下篇

自学人工智能之数学篇,数学入门并不难

人工智能数学基础01--高等数据基础(导数与微分)

人工智能数学基础01--高等数学基础(极限)

人工智能数学基础01--高等数学基础(极限)

人工智能数学基础01--高等数学基础(极限)