梯度下降初识-求取凸函数极值

最新推荐文章于 2025-01-15 17:14:48 发布

原创

最新推荐文章于 2025-01-15 17:14:48 发布 · 909 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#梯度下降 #求取极值 #凸函数

本文介绍了梯度下降法的基本概念，它是一种迭代算法，用于找到凸函数的极值点。通过从初始点开始，计算并利用导数及步长更新点的位置，直至达到极小值点附近。

梯度下降初识-求取凸函数极值

梯度下降：梯度下降是迭代法的一种,通过选择一个初始点，然后计算该点的导数，再通过导数和步长推进到下一个点，直到两个点之间的差值很小为止。

# 梯度下降 == 导数值下降
import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D

#梯度下降算法是一个帮助我们找极值点的方法cost  #凸函数
def targetFunc(x,y):        #目标函数
    return(x-100)**2+y**2
    pass
def gradientFuncX(x):       #求解偏导数
    return 2*x - 200
    pass
def gradientFuncY(y):       #求解偏导数
    return 2*y
listx=[]
listy