【机器学习】机器学习中用到的高等数学知识-3.微积分 (Calculus)

原创已于 2025-07-02 11:15:48 修改 · 1.6k 阅读

25 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #人工智能 #算法 #学习

于 2024-11-08 09:26:37 首次发布

人工智能同时被 3 个专栏收录

121 篇文章

订阅专栏

机器学习

104 篇文章

订阅专栏

算法

1 篇文章

订阅专栏

3. 微积分 (Calculus)

导数和梯度：用于优化算法（如梯度下降）中计算损失函数的最小值。
偏导数：在多变量函数中优化目标函数。
链式法则：在反向传播算法中用于计算神经网络的梯度。

导数和梯度：用于优化算法（如梯度下降）中计算损失函数的最小值。

导数和梯度是微积分中非常重要的概念，尤其在优化和机器学习中起着关键作用。以下是对这两个概念的详细解释：

1. 导数 (Derivative)

导数是函数在某一点的瞬时变化率或斜率，描述了函数值对自变量变化的敏感程度。对于单变量函数 f(x)，导数的定义如下：

定义：

$f'(x) = \lim_{h \to 0} \frac{f(x+h) - f(x)}{h}$

几何意义：导数表示曲线在某一点的切线的斜率。
基本规则：
- 常数规则：如果 $c$ 是常数，则 $\frac{d}{dx}(c) = 0$ 。
- 幂规则：如果 $f(x) = x^n$ ，则 $f'(x) = nx^{n-1}$ 。
- 和差规则： $\frac{d}{dx}(u + v) = \frac{du}{dx} + \frac{dv}{dx}$ 。
- 乘法规则： $\frac{d}{dx}(uv) = u \frac{dv}{dx} + v \frac{du}{dx}$ 。
- 链式法则：如果 $y = f(g(x))$ ，则 $\frac{dy}{dx} = f'(g(x)) \cdot g'(x)$ 。
常用的导数公式:

以下是一些常用的导数公式，涵盖了基本的函数和一些常见的导数法则。了解这些公式有助于快速计算各种函数的导数。

1. 基本导数公式

常数的导数：

$\frac{d}{dx}(c) = 0$

幂函数：

$\frac{d}{dx}(x^n) = nx^{n-1} \quad$ ( $n$ 为任意实数)

指数函数：

$\frac{d}{dx}(e^x) = e^x$

$\frac{d}{dx}(a^x) = a^x \ln(a) \quad (a > 0)$

对数函数：

$\frac{d}{dx}(\ln(x)) = \frac{1}{x} \quad (x > 0)$

$\frac{d}{dx}(\log_a(x)) = \frac{1}{x \ln(a)} \quad (a > 0, a \neq 1)$

2. 三角函数的导数

正弦函数：

$\frac{d}{dx}(\sin(x)) = \cos(x)$

余弦函数：

$\frac{d}{dx}(\cos(x)) = -\sin(x)$

正切函数：

$\frac{d}{dx}(\tan(x)) = \sec^2(x)$

余切函数：

$\frac{d}{dx}(\cot(x)) = -\csc^2(x)$

正割函数：

$\frac{d}{dx}(\sec(x)) = \sec(x) \tan(x)$

余割函数：

$\frac{d}{dx}(\csc(x)) = -\csc(x) \cot(x)$

3. 反三角函数的导数

反正弦：

$\frac{d}{dx}(\arcsin(x)) = \frac{1}{\sqrt{1-x^2}} \quad (-1 < x < 1)$

反余弦：

$\frac{d}{dx}(\arccos(x)) = -\frac{1}{\sqrt{1-x^2}} \quad (-1 < x < 1)$

反正切：

$\frac{d}{dx}(\arctan(x)) = \frac{1}{1+x^2}$

反余切：

$\frac{d}{dx}(arccot(x)) = -\frac{1}{1+x^2}$

反正割：

$\frac{d}{dx}(arcsec(x)) = \frac{1}{|x|\sqrt{x^2-1}} \quad (|x| > 1)$

反余割：

$\frac{d}{dx}(arccsc(x)) = -\frac{1}{|x|\sqrt{x^2-1}} \quad (|x| > 1)$

4. 导数法则

和差法则：

$\frac{d}{dx}(u + v) = \frac{du}{dx} + \frac{dv}{dx}$

$\frac{d}{dx}(u - v) = \frac{du}{dx} - \frac{dv}{dx}$

乘法法则：

$\frac{d}{dx}(uv) = u \frac{dv}{dx} + v \frac{du}{dx}$

商法则：

$\frac{d}{dx}\left(\frac{u}{v}\right) = \frac{v \frac{du}{dx} - u \frac{dv}{dx}}{v^2}$

链式法则：

$\frac{d}{dx}(f(g(x))) = f'(g(x)) \cdot g'(x)$

5. 其他常用函数的导数

复合函数的导数：

$\frac{d}{dx}(f(g(x))) = f'(g(x)) \cdot g'(x)$

隐函数的导数：

设 $F(x, y) = 0$ ，则：

$\frac{dy}{dx} = -\frac{F_x}{F_y}$ ( $F_x$ 和 $F_y$ 为 $F$ 对 $x$ 和 $y$ 的偏导数)

掌握这些常用的导数公式和法则，可以帮助在微积分和相关的数学分析中更高效地求解问题。

2. 梯度 (Gradient)

梯度是多变量函数的导数，表示函数在各个自变量方向上的变化率。对于多变量函数 $f(x_1, x_2, \ldots, x_n)$ ，梯度是一个向量，包含了所有自变量的偏导数。

定义：
$\nabla f = \left( \frac{\partial f}{\partial x_1}, \frac{\partial f}{\partial x_2}, \ldots, \frac{\partial f}{\partial x_n} \right)$
几何意义：梯度向量指向函数值增加最快的方向，其长度表示在该方向上的变化率。
偏导数：在计算梯度时，每个分量都是对函数在特定自变量的偏导数。偏导数的定义类似于普通导数：
$\frac{\partial f}{\partial x_i} = \lim_{h \to 0} \frac{f(x_1, \ldots, x_i + h, \ldots, x_n) - f(x_1, \ldots, x_i, \ldots, x_n)}{h}$

应用

优化问题：在优化算法中，梯度被用来找到函数的最小值或最大值，特别是在机器学习中常用的梯度下降法中。梯度下降法通过沿着梯度的反方向更新参数，以减少损失函数。
函数的性质：导数和梯度可以用于分析函数的性质，如寻找极值点、判断凹凸性等。

例子

导数：设 $f(x) = x^2$ ，则：
$f'(x) = 2x$
梯度：对于函数 $f(x, y) = x^2 + y^2$ ，则梯度为：
$\nabla f = \left( \frac{\partial f}{\partial x}, \frac{\partial f}{\partial y} \right) = \left( 2x, 2y \right)$

理解导数和梯度对于研究函数的行为、优化问题以及机器学习模型的训练过程至关重要。

偏导数：在多变量函数中优化目标函数。

偏导数是微积分中用于描述多变量函数变化率的重要概念。它衡量的是在保持其他变量不变的情况下，某一自变量对函数值的影响。下面是偏导数的定义、计算方法和一些相关的概念。

1. 偏导数的定义

对于一个多变量函数 $f(x_1, x_2, \ldots, x_n)$ ，偏导数表示的是当改变一个自变量 $x_i$ 时，函数 $f$ 的变化率，同时保持其他自变量不变。

偏导数的数学表示：
$\frac{\partial f}{\partial x_i} = \lim_{h \to 0} \frac{f(x_1, \ldots, x_i + h, \ldots, x_n) - f(x_1, \ldots, x_i, \ldots, x_n)}{h}$
符号：通常用 $\frac{\partial f}{\partial x_i}$ 表示函数 $f$ 对变量 $x_i$ 的偏导数。

2. 计算偏导数

计算偏导数的过程与计算普通导数类似，但在求导时需要将其他变量视为常数。

示例：设有函数 $f(x, y) = x^2y + \sin(xy)$ 。

对 $x$ 的偏导数：
$\frac{\partial f}{\partial x} = \frac{\partial}{\partial x}(x^2y + \sin(xy)) = 2xy + y \cos(xy)$
对 $y$ 的偏导数：
$\frac{\partial f}{\partial y} = \frac{\partial}{\partial y}(x^2y + \sin(xy)) = x^2 + x \cos(xy)$

3. 高阶偏导数

偏导数可以进行多次求导，得到高阶偏导数。高阶偏导数可以是对同一变量求多次偏导，也可以是对不同变量交替求偏导。

示例：对函数 $f(x, y) = x^2y + \sin(xy)$ 进行高阶偏导数计算：

对 $x$ 求两次偏导数：
$\frac{\partial^2 f}{\partial x^2} = \frac{\partial}{\partial x}(2xy + y \cos(xy)) = 2y - y^2 \sin(xy)$
对 $x$ 和 $y$ 交替求偏导数：
$\frac{\partial^2 f}{\partial x \partial y} = \frac{\partial}{\partial y}(2xy + y \cos(xy)) = 2x + \cos(xy) - xy \sin(xy)$

4. 偏导数的几何意义

偏导数在几何上表示在特定方向上的切线斜率：

$\frac{\partial f}{\partial x}$ 表示在 $x$ 方向上的变化率，即在 $y$ 固定时，函数沿 $x$ 轴的斜率。
$\frac{\partial f}{\partial y}$ 表示在 $y$ 方向上的变化率，即在 $x$ 固定时，函数沿 $y$ 轴的斜率。

5. 应用

偏导数在许多领域都有广泛应用：

优化：在多变量优化中，偏导数用于求解极值问题。
经济学：用来研究多因素对某一经济指标的影响。
物理学：在描述物理现象（如热传导、流体动力学）中常用。

6. 梯度与偏导数

在多变量分析中，偏导数的集合形成了梯度向量：

$\nabla f = \left( \frac{\partial f}{\partial x_1}, \frac{\partial f}{\partial x_2}, \ldots, \frac{\partial f}{\partial x_n} \right)$

梯度向量指向函数值增加最快的方向，其长度表示在该方向上的变化率。

偏导数是微积分在多变量函数中的核心概念，理解偏导数有助于深入掌握多变量分析、优化以及机器学习中的模型训练。

链式法则：在反向传播算法中用于计算神经网络的梯度。

链式法则是微积分中的一个重要法则，用于求复合函数的导数。它允许我们计算由多个函数组合而成的函数的导数。以下是链式法则的基本概念、公式及其应用。

1. 链式法则的基本概念

链式法则表明，如果一个函数 $y$ 可以表示为另一个函数 $u$ 的函数，即 $y=f(u)$ ，并且 $u$ 又是 $x$ 的函数，即 $u=g(x)$ ，那么 $y$ 是 $x$ 的复合函数，表示为 $y=f(g(x))$ 。

2. 链式法则的公式

链式法则的数学表达式为：

$\frac{dy}{dx} = \frac{dy}{du} \cdot \frac{du}{dx}$

其中：

$\frac{dy}{dx}$ 是 $y$ 关于 $x$ 的导数。
$\frac{dy}{du}$ 是 $y$ 关于 $u$ 的导数。
$\frac{du}{dx}$ 是 $u$ 关于 $x$ 的导数。

3. 例子

例 1：

考虑函数 $y = (3x^2 + 2)^5$ ，我们可以用链式法则求其导数。

设 $u = 3x^2 + 2$ ，则 $y = u^5$ 。
求 $\frac{dy}{du} = 5u^4$ 。
求 $\frac{du}{dx} = 6x$ 。
应用链式法则： $\frac{dy}{dx} = \frac{dy}{du} \cdot \frac{du}{dx} = 5u^4 \cdot 6x = 30x(3x^2 + 2)^4$

例 2：

考虑函数 $y = \sin(5x^3)$ ，我们可以用链式法则求其导数。

设 $u = 5x^3$ ，则 $y = \sin(u)$ 。
求 $\frac{dy}{du} = \cos(u)$ 。
求 $\frac{du}{dx} = 15x^2$ 。
应用链式法则： $\frac{dy}{dx} = \frac{dy}{du} \cdot \frac{du}{dx} = \cos(5x^3) \cdot 15x^2 = 15x^2 \cos(5x^3)$

4. 高阶导数的链式法则

对于高阶导数，也可以使用链式法则。对于第二阶导数，假设 $y = f(g(x))$ ，则有：

$\frac{d^2y}{dx^2} = \frac{d}{dx} \left( \frac{dy}{dx} \right)$

可以通过链式法则和积的法则求解，但具体计算会相对复杂。

5. 应用

链式法则广泛应用于物理、工程、经济学等领域，用于解决涉及复合函数的导数问题。例如，在求解运动学中的速度和加速度，电路中的电流和电压关系，以及经济学中的成本与产量关系等问题时，链式法则都能发挥重要作用。

6. 结论

链式法则是微积分中一个非常重要的工具，能够帮助我们简化和计算复合函数的导数。掌握链式法则对于学习微积分及其应用至关重要。

拓展：各类导数的推导过程

导数公式的推导通常依赖于极限的定义、基本的微分法则以及一些重要的数学性质。以下是一些常用导数公式的推导过程，包括幂函数、三角函数和其他常见函数的导数。

1. 常数的导数

常数的导数为零，这是因为常数函数在其定义域内不发生变化。

$\frac{d}{dx}(c) = 0$

2. 幂函数的导数

对幂函数 $f(x) = x^n$ 的导数推导使用极限定义：

$f'(x) = \lim_{h \to 0} \frac{f(x+h) - f(x)}{h} = \lim_{h \to 0} \frac{(x+h)^n - x^n}{h}$

使用二项式定理展开：

$(x+h)^n = x^n + nx^{n-1}h + \frac{n(n-1)}{2}x^{n-2}h^2 + \ldots$

将其代入导数的定义：

$f'(x) = \lim_{h \to 0} \frac{nx^{n-1}h + \frac{n(n-1)}{2}x^{n-2}h^2 + \ldots}{h} = \lim_{h \to 0} \left( nx^{n-1} + \frac{n(n-1)}{2}x^{n-2}h + \ldots \right)$

当 $h \to 0$ 时，后面的项趋近于零，因此：

$f'(x) = nx^{n-1}$

3. 指数函数的导数

对于 $f(x) = e^x$ ：

$f'(x) = \lim_{h \to 0} \frac{e^{x+h} - e^x}{h} = \lim_{h \to 0} \frac{e^x e^h - e^x}{h} = e^x \lim_{h \to 0} \frac{e^h - 1}{h}$

已知 $\lim_{h \to 0} \frac{e^h - 1}{h} = 1$ ，因此：

$f'(x) = e^x$

对于 $f(x) = a^x$ ，利用对数的性质：

$f(x) = e^{x \ln(a)} \Rightarrow f'(x) = \ln(a) e^{x \ln(a)} = a^x \ln(a)$

4. 对数函数的导数

对 $f(x) = \ln(x)$ 的导数推导如下：

$f'(x) = \lim_{h \to 0} \frac{\ln(x+h) - \ln(x)}{h} = \lim_{h \to 0} \frac{\ln\left(\frac{x+h}{x}\right)}{h} = \lim_{h \to 0} \frac{\ln\left(1 + \frac{h}{x}\right)}{h}$

利用 $\ln(1 + u)$ 的极限性质 $\lim_{u \to 0} \frac{\ln(1+u)}{u} = 1$ ，有：

$\frac{\ln\left(1 + \frac{h}{x}\right)}{h} = \frac{1}{\frac{h}{x}} \cdot \frac{\ln\left(1 + \frac{h}{x}\right)}{\frac{h}{x}} \to \frac{1}{x} \text{ when } h \to 0$