1. 导数的概念
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。
1.1 导数的定义
增量定义： f(x)在点
x
x
x0 的某个邻域内有定义，则当自变量
x
x
x 在
x
x
x0处取得增量Δx （点
x
x
x0 + Δx 仍然在邻域内），相应的y取得增量
Δy=f(
x
x
x0+Δx)−f(
x
x
x0)，如果Δ y与Δ x 在Δx → 0 时极限存在，则称 y=f(x)在
x
x
x0 处可导，这个极限就是y=f(x)在
x
x
x0的导数，记为f′(
x
x
x0)。
f′(x0)=limΔx→0
Δ
x
Δ
y
Δx \over Δy
ΔyΔx =limΔx→0 =
f
(
x
0
+
Δ
x
)
−
f
(
x
0
)
Δ
x
\frac {f(x~0~+Δx)−f(x~0~)}{Δx}
Δxf(x 0 +Δx)−f(x 0 )
极限定义：在定义域内，当变量x 趋近于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′(x0) =
l
i
m
x
→
x
0
f
(
x
)
−
f
(
x
0
)
x
−
x
0
lim _{x \rightarrow x_{0}} \frac{f(x)-f\left(x_{0}\right)}{x-x_{0}}
limx→x0x−x0f(x)−f(x0)
1.2 导数的本质
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)为例，分为对x 的偏导数和对y 的偏导数。
如图所示：
对x的偏导数：
(
x
0
,
y
0
,
z
0
)
\left(x_{0}, y_{0},z_{0}\right)
(x0,y0,z0)垂直于y yy轴的曲线，在该点切线的斜率。
此时，该曲线可表示为
z=f(x,y)
x=t
y=a+0×t
因此，我们求对x的偏导数，认为y是常量是完全正确的。
用导数定义来表示x的偏导数，
f
x
(
x
0
,
y
0
)
f_{x}\left(x_{0}, y_{0}\right)
fx(x0,y0)=
lim
Δ
x
→
0
f
(
x
0
+
Δ
x
,
y
0
)
−
f
(
x
0
,
y
0
)
Δ
x
\lim _{\Delta x \rightarrow 0} \frac{f\left(x_{0}+\Delta x, y_{0}\right)-f\left(x_{0}, y_{0}\right)}{\Delta x}
limΔx→0Δxf(x0+Δx,y0)−f(x0,y0)f
对y 的偏导数：过点
(
x
0
,
y
0
,
z
0
)
\left(x_{0}, y_{0},z_{0}\right)
(x0,y0,z0)垂直于 x轴的曲线，在该点切线的斜率。
同上理解。
fy ( x0 , y0 ) =
lim
Δ
y
→
0
f
(
x
0
,
y
0
+
Δ
y
)
−
f
(
x
0
,
y
0
)
Δ
y
\lim _{\Delta y \rightarrow 0} \frac{f\left(x_{0}, y_{0}+\Delta y\right)-f\left(x_{0}, y_{0}\right)}{\Delta y}
limΔy→0Δyf(x0,y0+Δy)−f(x0,y0)f
2.2 偏导数的本质
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)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和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
3.1 方向导数定义
x和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)
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=icosα+jcosβ=icosα+jsinα
其中
α
\alpha
α和
β
\beta
β分别为该方向向量与x轴和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
)
D_{u} f(x, y)
Duf(x,y)=
f
x
(
x
,
y
)
cos
α
+
f
y
(
x
,
y
)
sin
α
f_{x}(x, y) \cos \alpha+f_{y}(x, y) \sin \alpha
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 是偏导向量和方向向量之间的夹角。显而易见，当
θ
=
0
\theta=0
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)，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)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
https://blog.csdn.net/CSDN_SUSAN/article/details/90166474
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
文章由极客之音整理，本文链接：https://www.bmabk.com/index.php/post/77019.html
