导数,偏导数,方向导数,梯度的理解 |
您所在的位置:网站首页 › 偏导数的概念及公式 › 导数,偏导数,方向导数,梯度的理解 |
文章目录
0 概述1. 导数的概念1.1 导数的定义1.2 导数的本质
2. 偏导数的概念2.1 偏导数定义2.2 偏导数的本质
3. 方向导数3.1 方向导数定义3.2 方向导数的最大值
4. 梯度4.1 梯度定义4.2 梯度生而最快
5. 总结参考:
0 概述
我们在ML week 1课程中了解到了单变量线性回归,这里使用了梯度下降法来不断更新 θ 0 , θ 1 \theta_{0,} \theta_{1} θ0,θ1以求得Cost Function的最优解,从而确定 h θ ( x i ) h_{\theta}\left(x_{i}\right) hθ(xi)。 那这里就产生了一个疑问:为什么使用梯度下降法求解?为什么使用梯度下降法,就能够得到最优解(全局或者局部)? 下边我们将从导数,偏导数,方向导数最后引出梯度,进而讲解为什么梯度下降法能够做到求解最优解。 1. 导数的概念 1.1 导数的定义增量定义:若 f ( x ) f(x) f(x)在点 x 0 x_{0} x0的某个邻域内有定义,则当自变量 x x x 在 x 0 x_{0} x0处取得增量 Δ x \Delta x Δx(点 x 0 + Δ x x_{0}+\Delta x x0+Δx仍然在邻域内),相应的 y y y取得增量 Δ y = f ( x 0 + Δ x ) − f ( x 0 ) \Delta y=f\left(x_{0}+\Delta x\right)-f\left(x_{0}\right) Δy=f(x0+Δx)−f(x0),如果 Δ y \Delta y Δy与 Δ x \Delta x Δx在 Δ x → 0 \Delta x \rightarrow 0 Δx→0时极限存在,则称 y = f ( x ) y=f(x) y=f(x)在 x 0 x_{0} x0处可导,这个极限就是 y = f ( x ) y=f(x) y=f(x)在 x 0 x_{0} x0的导数,记为 f ′ ( x 0 ) f^{\prime}\left(x_{0}\right) f′(x0)。 f ′ ( x 0 ) = lim Δ x → 0 Δ y Δ x = lim Δ x → 0 f ( x 0 + Δ x ) − f ( x 0 ) Δ x f^{\prime}\left(x_{0}\right)=\lim _{\Delta x \rightarrow 0} \frac{\Delta y}{\Delta x}=\lim _{\Delta x \rightarrow 0} \frac{f\left(x_{0}+\Delta x\right)-f\left(x_{0}\right)}{\Delta x} f′(x0)=limΔx→0ΔxΔy=limΔx→0Δxf(x0+Δx)−f(x0) 极限定义:在定义域内,当变量 x x x趋近于 x 0 x_{0} x0时, f ( x ) − f ( x 0 ) x − x 0 \frac{f(x)-f\left(x_{0}\right)}{x-x_{0}} x−x0f(x)−f(x0)有极限,则有 f ′ ( x 0 ) = lim x → x 0 f ( x ) − f ( x 0 ) x − x 0 f^{\prime}\left(x_{0}\right)=\lim _{x \rightarrow x_{0}} \frac{f(x)-f\left(x_{0}\right)}{x-x_{0}} f′(x0)=limx→x0x−x0f(x)−f(x0) 1.2 导数的本质对于一元函数而言,导数的几何意义是 f ( x ) f(x) f(x)在点 x 0 x_{0} x0切线的斜率。物理角度上来看,路程对时间的导数叫速度,速度对时间的导数叫加速度。 我们可以理解为这是一种线性近似,当一个函数为曲线时,我们对某一点的斜率,就是通过导数这种线性近似求得的。 但是对于多元函数而言,由于其几何图形为一个曲面,这时候导数作为切线斜率的解释似乎不成立了,因此引入了偏导数的概念。 2. 偏导数的概念 2.1 偏导数定义 对于多元函数,求导数其实也是要求一个切线的斜率,但是由于曲面上的点的切线有无数条,那么取那条切线的斜率呢,这时候就引入了偏导数的概念。 偏导数其实就是选取比较特殊的切线,求其斜率而得,以二元函数
z
=
f
(
x
,
y
)
z=f(x, y)
z=f(x,y)为例,分为对
x
x
x的偏导数和对
y
y
y的偏导数。 如图所示: 偏导数几何意义也是切线斜率, 但是由于曲面上一点的切线有无数条(实际上是个切面),偏导数选取的是垂直于各坐标轴的几条特殊切线的斜率。 偏导数物理意义表示函数沿着某个坐标轴方向上的变化率。 但是如果我们想求任意一条曲线切线斜率怎么办呢?这时候就引入了方向导数,可以求出曲面上某一点沿着任意方向的切线斜率。 3. 方向导数 以
z
=
f
(
x
,
y
)
z=f(x, y)
z=f(x,y)为例,过曲面上任意一点
(
x
0
,
y
0
,
z
0
)
\left(x_{0}, y_{0},z_{0}\right)
(x0,y0,z0)的所有切线,组成一个切面。偏导数仅仅选择了垂直于
x
x
x和
y
y
y轴方向的两条切线,计算斜率,方向导数则要求任意切向的斜率。 如下图所示 x x x和 y y y平面上的一个方向向量,决定了一条过点 ( x 0 , y 0 , z 0 ) \left(x_{0}, y_{0},z_{0}\right) (x0,y0,z0)的唯一曲线,此时曲线函数可表示为: z = f ( x , y ) z=f(x, y) z=f(x,y) x = x 0 + t cos α t ≥ 0 x=x_{0}+t \cos \alpha \quad t \geq 0 x=x0+tcosαt≥0 y = y 0 + t cos β t ≥ 0 y=y_{0}+t \cos \beta \quad t \geq 0 y=y0+tcosβt≥0 u = i ⃗ cos α + j ⃗ cos β = i ⃗ cos α + j ⃗ sin α u=\vec{i} \cos \alpha+\vec{j} \cos \beta=\vec{i} \cos \alpha+\vec{j} \sin \alpha u=i cosα+j cosβ=i cosα+j sinα 其中 α \alpha α和 β \beta β分别为该方向向量与 x x x轴和 y y y轴的夹角。 则该曲线的记为方向u的导数,定义: D u f ( x , y ) D_{u} f(x, y) Duf(x,y)= lim t → 0 f ( x 0 + t cos α , y 0 + t sin α ) − f ( x 0 , y 0 ) t \lim _{t \rightarrow 0} \frac{f\left(x_{0}+t \cos \alpha, y_{0}+t \sin \alpha\right)-f\left(x_{0}, y_{0}\right)}{t} limt→0tf(x0+tcosα,y0+tsinα)−f(x0,y0) 通过偏微分简化计算可得(这一步的数学证明,请自行搜索), D u f ( x , y ) = f x ( x , y ) cos α + f y ( x , y ) sin α D_{u} f(x, y)=f_{x}(x, y) \cos \alpha+f_{y}(x, y) \sin \alpha Duf(x,y)=fx(x,y)cosα+fy(x,y)sinα 3.2 方向导数的最大值设偏导向量: A ⃗ = ( f x ( x , y ) , f y ( x , y ) ) \vec{A}=\left(f_{x}(x, y), f_{y}(x, y)\right) A =(fx(x,y),fy(x,y)) 方向向量: u ⃗ = ( cos α , sin α ) \vec{u}=(\cos \alpha, \sin \alpha) u =(cosα,sinα) 则 D u f ( x , y ) = A ⃗ ∗ u ⃗ D_{u} f(x, y)=\vec{A} * \vec{u} Duf(x,y)=A ∗u = ∣ A ⃗ ∣ ∗ ∣ u ⃗ ∣ ∗ cos ( θ ) |\vec{A}| *|\vec{u}| * \cos (\theta) ∣A ∣∗∣u ∣∗cos(θ) 其中 θ \theta θ 是偏导向量和方向向量之间的夹角。显而易见,当 θ \theta θ=0时, D u f ( x , y ) D_{u} f(x, y) Duf(x,y)取得最大值。 换句话说,当方向 u ⃗ \vec{u} u 和偏导向量同向时,方向导数取得正最大值,反向时,取得负最大值。 记住这个结论,接下来我们看梯度定义。 4. 梯度 4.1 梯度定义对于函数 z = f ( x , y ) z=f(x, y) z=f(x,y),在平面区域D内具有一阶连续偏导数,则对于每一点 ( x 0 , y 0 ) ∈ D \left(x_{0}, y_{0}\right) \in D (x0,y0)∈D都可以定义出一个向量: f x ( x 0 , y 0 ) i ⃗ + f y ( x 0 , y 0 ) j ⃗ f_{x}\left(x_{0}, y_{0}\right) \vec{i}+f_{y}\left(x_{0}, y_{0}\right) \vec{j} fx(x0,y0)i +fy(x0,y0)j 这个向量称为函数 f ( x , y ) f(x, y) f(x,y)在 ( x 0 , y 0 ) \left(x_{0}, y_{0}\right) (x0,y0)的梯度,记作 grad f ( x 0 , y 0 ) \operatorname{grad} f\left(x_{0}, y_{0}\right) gradf(x0,y0)或者 ∇ f ( x 0 , y 0 ) \nabla f\left(x_{0}, y_{0}\right) ∇f(x0,y0)。其中 ∇ = ∂ ∂ x i ⃗ + ∂ ∂ y j ⃗ \nabla=\frac{\partial}{\partial x} \vec{i}+\frac{\partial}{\partial y} \vec{j} ∇=∂x∂i +∂y∂j 称为向量微分算子或者Nabla算子。 4.2 梯度生而最快到这里,发现梯度就定义为偏导向量的方向。而方向导数一节已经证明,沿着偏导向量方向的方向导数 D u f ( x , y ) D_{u} f(x, y) Duf(x,y)能够取得最大值。 因此在不断的迭代计算中,每一次沿着负梯度方向进行更新参数,就能够达到最低点。 5. 总结通过导数,偏导数,方向导数的逐步讲解,最后给出梯度的定义,发现梯度天生定义就是变化最快的方向。 这是未来使用梯度下降法求解优化问题的数学基础。 参考:https://www.zhihu.com/question/36301367 马同学和忆臻 的回答 https://github.com/halfrost/Halfrost-Field |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |