引言

　機(jī)器學(xué)習(xí)欄目記錄我在學(xué)習(xí)Machine Learning過程的一些心得筆記，涵蓋線性回歸、邏輯回歸、Softmax回歸、神經(jīng)網(wǎng)絡(luò)和SVM等等，主要學(xué)習(xí)資料來自網(wǎng)上的免費(fèi)課程和一些經(jīng)典書籍，免費(fèi)課程例如Standford Andrew Ng老師在Coursera的教程以及UFLDL Tutorial，經(jīng)典書籍例如《統(tǒng)計(jì)學(xué)習(xí)方法》等，同時(shí)也參考了大量網(wǎng)上的相關(guān)資料（在后面列出）。
　　
　

前言

　機(jī)器學(xué)習(xí)中的大部分問題都是優(yōu)化問題，而絕大部分優(yōu)化問題都可以使用梯度下降法處理，那么搞懂什么是梯度，什么是梯度下降法就非常重要！這是基礎(chǔ)中的基礎(chǔ)，也是必須掌握的概念！
　提到梯度，就必須從導(dǎo)數(shù)（derivative）、偏導(dǎo)數(shù)（partial derivative）和方向?qū)?shù)（directional derivative）講起，弄清楚這些概念，才能夠正確理解為什么在優(yōu)化問題中使用梯度下降法來優(yōu)化目標(biāo)函數(shù)，并熟練掌握梯度下降法（Gradient Descent）。

　本文主要記錄我在學(xué)習(xí)機(jī)器學(xué)習(xí)過程中對(duì)梯度概念復(fù)習(xí)的筆記，主要參考《高等數(shù)學(xué)》《簡明微積分》以及維基百科上的資料為主，文章小節(jié)安排如下：
　1）導(dǎo)數(shù)
　2）導(dǎo)數(shù)和偏導(dǎo)數(shù)
　3）導(dǎo)數(shù)與方向?qū)?shù)
　4）導(dǎo)數(shù)與梯度
　5）梯度下降法
　6）參考資料
　7）結(jié)語
　

導(dǎo)數(shù)

　一張圖讀懂導(dǎo)數(shù)與微分：
　
　這是高數(shù)中的一張經(jīng)典圖，如果忘記了導(dǎo)數(shù)微分的概念，基本看著這張圖就能全部想起來。
　導(dǎo)數(shù)定義如下：
　
　反映的是函數(shù)y=f(x)在某一點(diǎn)處沿x軸正方向的變化率。再強(qiáng)調(diào)一遍，是函數(shù)f(x)在x軸上某一點(diǎn)處沿著x軸正方向的變化率/變化趨勢。直觀地看，也就是在x軸上某一點(diǎn)處，如果f’(x)>0，說明f(x)的函數(shù)值在x點(diǎn)沿x軸正方向是趨于增加的；如果f’(x)<0，說明f(x)的函數(shù)值在x點(diǎn)沿x軸正方向是趨于減少的。

　這里補(bǔ)充上圖中的Δy、dy等符號(hào)的意義及關(guān)系如下：
　Δx：x的變化量；
　dx：x的變化量Δx趨于0時(shí)，則記作微元dx；
　Δy：Δy=f(x0+Δx)-f(x0)，是函數(shù)的增量；
　dy：dy=f’(x0)dx，是切線的增量；
　當(dāng)Δx→0時(shí)，dy與Δy都是無窮小，dy是Δy的主部，即Δy=dy+o(Δx).
　

導(dǎo)數(shù)和偏導(dǎo)數(shù)

　偏導(dǎo)數(shù)的定義如下：
　
　可以看到，導(dǎo)數(shù)與偏導(dǎo)數(shù)本質(zhì)是一致的，都是當(dāng)自變量的變化量趨于0時(shí)，函數(shù)值的變化量與自變量變化量比值的極限。直觀地說，偏導(dǎo)數(shù)也就是函數(shù)在某一點(diǎn)上沿坐標(biāo)軸正方向的的變化率。
　區(qū)別在于：
　導(dǎo)數(shù)，指的是一元函數(shù)中，函數(shù)y=f(x)在某一點(diǎn)處沿x軸正方向的變化率；
　偏導(dǎo)數(shù)，指的是多元函數(shù)中，函數(shù)y=f(x1,x2,…,xn)在某一點(diǎn)處沿某一坐標(biāo)軸（x1,x2,…,xn）正方向的變化率。
　

導(dǎo)數(shù)與方向?qū)?shù)：

　方向?qū)?shù)的定義如下：
　
　在前面導(dǎo)數(shù)和偏導(dǎo)數(shù)的定義中，均是沿坐標(biāo)軸正方向討論函數(shù)的變化率。那么當(dāng)我們討論函數(shù)沿任意方向的變化率時(shí)，也就引出了方向?qū)?shù)的定義，即：某一點(diǎn)在某一趨近方向上的導(dǎo)數(shù)值。
　通俗的解釋是：
　我們不僅要知道函數(shù)在坐標(biāo)軸正方向上的變化率（即偏導(dǎo)數(shù)），而且還要設(shè)法求得函數(shù)在其他特定方向上的變化率。而方向?qū)?shù)就是函數(shù)在其他特定方向上的變化率。
　

導(dǎo)數(shù)與梯度

　梯度的定義如下：
　
　梯度的提出只為回答一個(gè)問題：
　函數(shù)在變量空間的某一點(diǎn)處，沿著哪一個(gè)方向有最大的變化率？
　梯度定義如下：
　函數(shù)在某一點(diǎn)的梯度是這樣一個(gè)向量，它的方向與取得最大方向?qū)?shù)的方向一致，而它的模為方向?qū)?shù)的最大值。
　這里注意三點(diǎn)：
　1）梯度是一個(gè)向量，即有方向有大小；
　2）梯度的方向是最大方向?qū)?shù)的方向；
　3）梯度的值是最大方向?qū)?shù)的值。
　

導(dǎo)數(shù)與向量

　提問：導(dǎo)數(shù)與偏導(dǎo)數(shù)與方向?qū)?shù)是向量么？
　向量的定義是有方向（direction）有大小（magnitude）的量。
　從前面的定義可以這樣看出，偏導(dǎo)數(shù)和方向?qū)?shù)表達(dá)的是函數(shù)在某一點(diǎn)沿某一方向的變化率，也是具有方向和大小的。因此從這個(gè)角度來理解，我們也可以把偏導(dǎo)數(shù)和方向?qū)?shù)看作是一個(gè)向量，向量的方向就是變化率的方向，向量的模，就是變化率的大小。
　那么沿著這樣一種思路，就可以如下理解梯度：
　梯度即函數(shù)在某一點(diǎn)最大的方向?qū)?shù)，函數(shù)沿梯度方向函數(shù)有最大的變化率。
　
　

梯度下降法

　既然在變量空間的某一點(diǎn)處，函數(shù)沿梯度方向具有最大的變化率，那么在優(yōu)化目標(biāo)函數(shù)的時(shí)候，自然是沿著負(fù)梯度方向去減小函數(shù)值，以此達(dá)到我們的優(yōu)化目標(biāo)。
　如何沿著負(fù)梯度方向減小函數(shù)值呢？既然梯度是偏導(dǎo)數(shù)的集合，如下：
　
　同時(shí)梯度和偏導(dǎo)數(shù)都是向量，那么參考向量運(yùn)算法則，我們?cè)诿總€(gè)變量軸上減小對(duì)應(yīng)變量值即可，梯度下降法可以描述如下：
　
　
　以上就是梯度下降法的由來，大部分的機(jī)器學(xué)習(xí)任務(wù)，都可以利用Gradient Descent來進(jìn)行優(yōu)化。

?

總結(jié)

以上是生活随笔為你收集整理的ML重要概念：梯度（Gradient）与梯度下降法（Gradient Descent）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。