在学习机器学习过程中，会遇到一个名词，就是梯度。因为很多情况之下，基本上没有完美的解，只能逐渐逼近它，往往要使用迭代法来求解，并且迭代法也是计算机的专长，可以说这世界上只有它是最会玩迭代算法了。在使用迭代法的过程中，又需要不断尝试各个方向。比如从一座山峰顶往下走，而这座山峰各个方向有不一样的坡度。如下图：
从上图可以看到，有一些地方比较陡峭，那么我们就会说这里的梯度比较大，因为在这里下降得最快。接着，我们来看一下定义：
在向量微积分中，标量场的梯度是一个向量场。标量场中某一点上的梯度指向标量场增长最快的方向，梯度的长度是这个最大的变化率。更严格的说，从欧几里得空间Rn到R的函数的梯度是在Rn某一点最佳的线性近似。在这个意义上，梯度是雅可比矩阵的一个特殊情况。在单变量的实值函数的情况，梯度只是导数，或者，对于一个线性函数，也就是线的斜率。梯度一词有时用于斜度，也就是一个曲面沿着给定方向的倾斜程度。可以通过取向量梯度和所研究的方向的点积来得到斜度。梯度的数值有时也被称为梯度。
为了从最陡的地方走下去，那么机器怎么样才知道那个地方的梯度最大呢？导数在梯度下降中就是为了指出最快的方向，指示我们向局部最低点进发。导数（Derivative）是微积分学中重要的基础概念。一个函数在某一点的导数描述了这个函数在这一点附近的变化率。导数的本质是通过极限的概念对函数进行局部的线性逼近。我们可以在物理里想一下，一阶对位移的求导就是速度，可见导数表示这点的变化大小，当然就可以说明这点下降的速度了。
扫一扫
3703
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
