G2o，GTSAM，Ceres，Tensorflow优化器的方法比较

原创

于 2019-01-20 13:02:49 发布 · 8.9k 阅读

·

11

·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

文章标签：

#G2o #GTSAM #Tensorflow #Ceres

本文探讨了G2o、GTSAM、Ceres和Tensorflow的优化器在解决不同问题时的方法。G2o专注最小二乘问题，GTSAM通过概率图模型进行优化，Ceres适用于广泛函数优化，主要采用最速梯度下降法；而Tensorflow主要针对神经网络的线性嵌套非线性函数优化，适合SGD。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

首先是一些背景知识：
- 最速梯度下降法（GD）和牛顿法可以用来优化所有种类的函数。
- 牛顿高斯和基于牛顿高斯的LM法只能用来优化非线性最小二乘。 $\sum (Ax+b)^2$
- SGD是最速梯度下降法的改进，也就是每次迭代随即选取一些样本进行优化。
- 一般大型优化问题不会用二阶的牛顿法。
Ceres是针对所有种类的函数的优化，所以只能用最速梯度下降法。
G2o是求解的一个标准的最小二乘
- $\underset{x}{min}\left \| Ax+b \right \|^2_\Sigma =(Ax+b)^T\Sigma (Ax+b)$
GTSAM准确的说不是解的优化方程。而是先把一个概率图的联合概率的信息矩阵和信息向量表示出来 $\Omega, \xi$ （

最低0.47元/天解锁文章

200万优质内容无限畅学

评论 8

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。