梯度下降法理解

梯度下降法又叫最速下降法，英文名为steepest descend method.用来求解表达式最大或者最小值的，属于无约束优化问题。梯度下降法的一种简单形式是：x(k+1)=x(k)-a*g(k),其中a为学习效率，可以是较小的常数，g(k)是x(k)的梯度,直观的说，就是在一个有中心的等值线中，从初始值开始，每次沿着垂直等直线方向移动一个小的距离，最终收敛在中心。

首先我们应该清楚，一个多元函数的梯度方向是该函数值增大最陡的方向。具体化到1元函数中时，梯度方向首先是沿着曲线的切线的，然后取切线向上增长的方向为梯度方向，2元或者多元函数中，梯度向量为函数值f对每个变量的导数，该向量的方向就是梯度的方向，当然向量的大小也就是梯度的大小。

现在假设我们要求函数的最值，采用梯度下降法，如图所示：



梯度下降法的基本思想还是挺简单的，现假设我们要求函数f的最小值，首先得选取一个初始点后，然后下一个点的产生时是沿着梯度直线方向，这里是沿着梯度的反方向(因为求的是最小值，如果是求最大值的话则沿梯度的方向即可)。梯度下降法的迭代公式为：



其中

表示的是梯度的负方向，

表示的是在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ak+1看做是

的函数，然后求满足f(ak+1)的最小值的

即可。步长的确定可以用Wolf-Powell搜索、Amijo搜索办法。

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。

在matlab中实现梯度下降法例子：

梯度下降法函数function [k ender]=steepest(f,x,e)，需要三个参数f、x和e,其中f为目标函数，x为初始点,e为终止误差。输出也为两个参数，k表示迭代的次数，ender表示找到的最低点。

steepest.m:

function [k ender]=steepest(f,x,e)
%梯度下降法,f为目标函数（两变量x1和x2），x为初始点,如[3;4]
syms x1 x2 m; %m为学习率
d=-[diff(f,x1);diff(f,x2)];  %分别求x1和x2的偏导数，即下降的方向
flag=1;  %循环标志
k=0; %迭代次数
while(flag)
d_temp=subs(d,x1,x(1));	  %将起始点代入，求得当次下降x1梯度值
d_temp=subs(d_temp,x2,x(2)); %将起始点代入，求得当次下降x2梯度值
nor=norm(d_temp); %范数
if(nor>=e)
x_temp=x+m*d_temp;			%改变初始点x的值
f_temp=subs(f,x1,x_temp(1));  %将改变后的x1和x2代入目标函数,subs函数：subs(S,OLD,NEW) 表示将符号表达式S中的符号变量OLD替换为新的值NEW
f_temp=subs(f_temp,x2,x_temp(2));
h=diff(f_temp,m);  %对m求导，找出最佳学习率
m_temp=solve(h);   %求方程，得到当次m，solve函数:求解线性方程组解析解或精确解
x=x+m_temp*d_temp; %更新起始点x
k=k+1;
else
flag=0;
end
end
ender=double(x);  %终点
end

调用示例1：

syms x1 x2;
f=(x1-2)^2+2*(x2-1)^2;
x=[1;3];
e=10^(-20);
[k ender]=steepest(f,x,e)

结果：

k =

27

ender =

2
1