用梯度下降算法求最值

1.梯度方向

对多元函数的参数求偏导，得到函数增加或减小最快的方向。具体来说，对于函数f(x,y),在点(x₀,y₀)，沿着梯度向量的方向就是(∂f/∂x₀, ∂f/∂y₀)^T的方向是f(x,y)增加最快的地方。

2.梯度下降算法过程如下：

（1）随机初始值a₀；

（2）迭代a_k+1=a_k+s^ka_k直至收敛。s^k表示在a_k处的负梯度方向，a_k表示学习率。

3.求y=cos(x)在（0，2*pi）上的最小值

（1）随机初值设置为5，学习率为0.1。

（2）cos(x)的导数为-sin(x)，所以a_k+1=a_k+s^ka_k  为x_k+1=x_k-(learn_rate×(-sin(x)))。

import numpy as np
x=5
learn_rate=0.1
for i in range (200):
    x+=learn_rate*np.sin(x)
    print(i,x)


结果收敛：

988 3.14159265359
989 3.14159265359
990 3.14159265359
991 3.14159265359
992 3.14159265359
993 3.14159265359
994 3.14159265359
995 3.14159265359
996 3.14159265359
997 3.14159265359
998 3.14159265359
999 3.14159265359

转载于:https://www.cnblogs.com/fuhang/p/8056965.html