梯度下降
2016-05-29 19:18
239 查看
梯度下降
编辑锁定
梯度下降法是一个最优化算法,通常也称为最速下降法。最速下降法是求解无约束优化问题最简单和最古老的方法之一,虽然现在已经不具有实用性,但是许多有效算法都是以它为基础进行改进和修正而得到的。最速下降法是用负梯度方向为搜索方向的,最速下降法越接近目标值,步长越小,前进越慢。
可以用于求解非线性方程组
中文名梯度下降 外文名steepest descent (gradient descent) 用 于求解非线性方程组 类 型最优化算法
目录
1 简介2 求解过程
3 例子
4 缺点
梯度下降简介
编辑梯度下降法(gradient descent)是一个最优化算法,通常也称为最速下降法。[1]
常用于机器学习和人工智能当中用来递归性地逼近最小偏差模型。
梯度下降求解过程
编辑顾名思义,梯度下降法的计算过程就是沿梯度下降的方向求解极小值(也可以沿梯度上升方向求解极大值)。
其迭代公式为
,其中
代表梯度负方向,
表示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看做是ak+1的函数,然后求满足f(ak+1)的最小值的 即可。
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。
梯度下降例子
编辑举一个非常简单的例子,如求函数
的最小值。
利用梯度下降的方法解题步骤如下:
1、求梯度,
2、向梯度相反的方向移动
,如下
,其中,
为步长。如果步长足够小,则可以保证每一次迭代都在减小,但可能导致收敛太慢,如果步长太大,则不能保证每一次迭代都减少,也不能保证收敛。
3、循环迭代步骤2,直到
的值变化到使得
在两次迭代之间的差值足够小,比如0.00000001,也就是说,直到两次迭代计算出来的
基本没有变化,则说明此时
已经达到局部最小值了。
4、此时,输出
,这个
就是使得函数
最小时的
的取值 。
MATLAB如下。
?
其最小值在
处,函数值为
。但是此函数具有狭窄弯曲的山谷,最小点
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。
梯度下降缺点
编辑靠近极小值时收敛速度减慢。
直线搜索时可能会产生一些问题。
可能会“之字形”地下降。
相关文章推荐
- NYOJ 最大岛屿----1237第八届
- 字符串的旋转问题
- nodeName - nodeValue
- Java中为什么要使用内部类
- 第二阶段--团队冲刺--第七天
- NYOJ Interference Signal---1242
- 修改Android文件选择器开源控件aFileChooser 增加多选功能
- Java内部类的作用
- 个人工作总结03(第二次冲刺)
- 实现servlet的转发和读取Web应用中资源文件【持续更新】
- Java内部类的使用小结
- BOM和DOM
- 【Java】常用二叉树考点
- Linux系统启动流程 图解
- HBase总结(十一)hbase Java API 介绍及使用示例
- 练习打字第十六天!
- Mac OS X搭建基于hexo的静态博客站点
- 日期计算
- 模拟算法练习
- android安卓Sqlite数据库实现用户登录注册