反向梯度方向是函数值局部下降最快的方向

Posted wongyi

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了反向梯度方向是函数值局部下降最快的方向相关的知识,希望对你有一定的参考价值。

在SLAM中,机器学习中等关于梯度下降的应用还是蛮多的,但是关于“反向梯度方向是函数值局部下降最快的方向”等概念的解释,不是特别清晰,下面附上自己的一些理解。

名词解析:

梯度:

梯度是一个向量,表示某一函数在该点处的方向导数沿着该方向取得最大值,即函数在该点处沿着梯度的方向变化最快。

技术分享图片在平面区域D上具有一阶连续偏导数,技术分享图片为一个单位向量,如果下列的极限值存在

技术分享图片此方向导数记为技术分享图片

则称这个极限值是技术分享图片沿着技术分享图片方向的方向导数,那么随着技术分享图片的不同,我们可以求出任意方向的方向导数.

简化计算如下:

技术分享图片

 

技术分享图片,技术分享图片

那么我们可以得到:

技术分享图片(技术分享图片为向量技术分享图片与向量技术分享图片之间的夹角)

那么此时如果技术分享图片要取得最大值,也就是当技术分享图片为0度的时候,也就是向量技术分享图片(这个方向是一直在变,在寻找一个函数变化最快的方向)与向量技术分享图片(这个方向当点固定下来的时候,它就是固定的)平行的时候,方向导数最大.方向导数最大,也就是单位步伐,函数值朝这个反向变化最快.

函数值下降最快的方向就是和技术分享图片向量相同的方向.那么此时我把A向量命名为梯度(当一个点确定后,梯度方向是确定的),也就是说明了为什么梯度方向是函数变化率最大的方向了!!!

那么沿着反向梯度方向前进就可以找到最快的下降方式了。

 

以上是关于反向梯度方向是函数值局部下降最快的方向的主要内容,如果未能解决你的问题,请参考以下文章

为什么局部下降最快的方向就是梯度的负方向?

梯度下降法中,为什么在负梯度方向函数值下降最快

梯度下降法中,为什么在负梯度方向函数值下降最快

为啥随机梯度下降方法能够收敛

梯度下降

[机器学习入门篇]-梯度下降法