无约束

统计机器学习-梯度下降法

假设是上具有一阶连续偏导数的函数，要求解的无约束最优化问题是表示目标函数的极小点。
又双叒叕苟了一天·2020-07-02 22:32

统计机器学习-拟牛顿法

假设是上具有二阶连续偏导数的函数，要求解的无约束最优化问题是表示目标函数的极小点。在牛顿法的迭代中，需要计算海塞矩阵的逆矩阵，这一计算比较复杂，考虑用一个阶矩阵来近似代替。这就是拟牛顿法的基本想法。
又双叒叕苟了一天·2020-07-02 22:28

统计机器学习-牛顿法

假设是上具有二阶连续偏导数的函数，要求解的无约束最优化问题是表示目标函数的极小点。函数有极值的必要条件是在极值点的一阶导数为0，特别是当海塞矩阵是正定矩阵时，函数的极值为极小值。
又双叒叕苟了一天·2020-07-02 22:24

频域GSC

相较于约束部分的算法，无约束的算法追踪性能更好，更加稳健。下面我们进入算法部分。考虑一下我们之前LCMV算法的A的零空间（A是约束条
爱国者002·2020-07-02 16:52

天传观音新经八（01）

各行其路,无约束果该如何？因此,修学佛道,有佛规佛法,佛戒。修学佛道起码的条件是三皈五戒。三皈即是皈依佛、皈依法、皈依僧。五戒即是戒杀、戒淫、戒盗、戒荤、戒妄语。
路遥01·2020-07-02 11:59

浅析无约束优化的方法

在讨论函数的极值问题时，我们一般使用二次正定函数来推导。为什么只是二次呢？这里引用吴福朝老师的话说：“光滑函数或二阶可微函数，在极值点的局部范围内，在相差高阶无穷小的情况下，都可以表示为二次函数，极值是局部性质，这就理所当然地，用局部二次taylor展开来讨论函数的极值了。”说得很精妙！最速梯度下降方法，其每次进行直线搜索的梯度方向，都与等值面相切，不是直接指向最优解的方向，感觉有点”剑走偏锋”，
何雷·2020-07-02 02:53

没有价值多可怕

现在的我处于怀孕状态，这稍微改变了我原有的生活状态，大约在宝宝两个月左右的时候我就开始了无约束无规律的晃荡生活。这得益于我不是一个上班族，我和老公还有一群小伙伴自主创业，这给了我很多的自由空间。
爱欧皮肤管理中心·2020-07-02 01:43

【c++】条款一：视c++为一个语言联邦

但是当这个语言逐渐成熟，它变得更活跃无约束，更大胆更冒险，开始接受不同于Cwithclass的各种观念、特性和编程战略。
Billy12138·2020-07-02 00:47

利用matlab求解非线性规划问题

一、无约束最优化问题用于无约束最优化模型求解函数：可以调用matlab的的函数,fminsearch、fminunc。
ding_programmer·2020-07-01 22:29

凸优化问题

一、无约束优化对于无约束的优化问题，直接令梯度等于0求解。如果一个函数$f$是凸函数，那么可以直接通过$f(x)$的梯度等于0来求得全局极小值点。
dili8870·2020-07-01 22:24

文本分类——简化版的LibSVM之LibLinear

2.可参考的文档和网址3.约束优化问题转换为等价的无约束优化问题4.数据预处理（文本）5.优化问题求解器的选择（一般使用默认值-s1）6.惩罚参数C选择（一般使用默认值–c1）7.多分类实现8.svm-scale
笨笨的企鹅·2020-07-01 18:24

Apache Doris：百度自研的交互式 SQL 数据仓库正式孵化

投票结果是，在包含8个约束性投票(bindingvotes)和6个无约束性投票(non-bindingvot
Hadoop技术博文·2020-07-01 17:34

数学分析|最优化——梯度下降法、牛顿法、拟牛顿法等

1.最优化问题分类按照约束条件分，可以分为：无约束优化问题、有不等式优化问题、有不等式优化问题。
admin_maxin·2020-07-01 16:38

matlab_无约束的非线性优化

【模型】minf(x)s.t.x1≤x≤x2.【fminbnd】求定区间上单变量函数的最小值。[x,fval,exitflag,output]=fminbnd(fun,x1,x2,options);【fminunc】求解单变量及多变量的最小值，fminunc函数是基于梯度的最小优化算法。[x,fval,exitflag,output,grad,hessian]=fminunc(fun,x0,opt
NENU_Loser·2020-07-01 11:21

我的心房，你的摇篮。

仰望辽阔而明媚的天际，白云相依相偎的陪伴，安详地躺在蓝天的心怀里；远眺一望无际的麦田，麦穗毫无约束地劲舞，尽情地扭动于大地的心地间；近赏高耸而挺立的庭前，花儿婀娜多姿的妩媚，羞涩地舒展于庭院的中心处；深爱美丽而可爱的小溪
小丑鱼之恋·2020-07-01 08:59

机器学习中常用的优化算法总结

梯度下降法梯度下降法与梯度、导数的概念梯度下降法是用来求解无约束优化问题的一种数学方法，通过梯度下降法可以获取到函数的局部极小值。
JuneHsia·2020-07-01 05:35

Conjugate gradient method

另外，该方法也可以用于求解无约束的最优化问题。对于非对称矩阵，有双共轭梯度法，Biconjugate
Qinginging·2020-07-01 03:32

凸优化之优化、对偶、KKT-七月算法（julyedu.com）4 月机器学习算法班学习笔记

优化一般优化问题的基本形式凸优化的基本形式共轭函数共轭函数是凸函数对偶问题拉格朗日函数拉格朗日对偶函数KKT条件小结优化一般优化问题的基本形式minimizef0(x),x∈Rns.t.fi(x)≤0,i=1⋯ms.t.hj(x)=0,j=1⋯n定义域为当m=n=0时，约束优化问题退化成无约束优化问题注意
卖小孩的咖啡·2020-06-30 17:17

【机器学习】梯度下降--常用的无约束最优化方法

什么是梯度？梯度的本意是一个向量（矢量），表示某一函数在该点处的方向导数沿着该方向取得最大值，即函数在该点处沿着该方向（此梯度的方向）变化最快，变化率最大（为该梯度的模）。（百科）对多元函数来说，各个参数的偏导数组成的向量就是梯度，若函数为f(x1,x2,x3))f(x_{1},x_{2},x_{3}))f(x1,x2,x3))，则梯度经常可表示成▽f(x1,x2,x3)=(∂f/∂x1,∂f/∂
五月槐花儿香·2020-06-30 17:01

拉格朗日乘子法求解最优化问题

(1）无约束
zhengxq27·2020-06-30 15:45

无约束最优化

泰勒展开、Hessian矩阵http://www.voidcn.com/blog/baimafujinji/article/p-5778836.html一维搜索进退法确定区间，区间消去法、黄金分割法、二次插值法确定极值梯度下降、最速下降、牛顿、拟牛顿、共轭梯度牛顿法、拟牛顿法牛顿法、拟牛顿法BGD,SGD,Newton,Quasi-Newton,ConjugateGradientConjugate
klory·2020-06-30 10:50

梯度下降法及matlab实现

梯度下降法又称为最速下降法，是求解无约束优化问题最简单和最古老的方法之一。
yangqiang200608·2020-06-30 06:12

梯度下降算法总结

最速下降法是求解无约束优化问题最简单和最古老的方法之一，虽然现在已经不具有实用性，但是许多有效算法都是以它为基础进行改进和修正而得到的。
穿越5极限·2020-06-30 02:49

机器学习-梯度下降算法

梯度下降（最速下降法）梯度下降法(GradientDescent，GD)常用于求解无约束情况下凸函数(ConvexFunction)的极小值，是一种迭代类型的算法，因为凸函数只有一个极值点，故求解出来的极小值点就是函数的最小值点
时光偷走初心-·2020-06-29 22:56

InfoGAN论文笔记+源码解析

InterpretableRepresentationLearningbyInformationMaximizingGenerativeAdversarialNets源码地址：InfoGANinTensorFlowGAN，GenerativeAdversarialNetwork是目前非常火也是非常有潜力的一个发展方向，原始的GAN模型存在着无约束
小时候贼聪明·2020-06-29 20:44

牛顿法与梯度下降法求解实际问题对比

在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降（GradientDescent）是最常采用的方法之一，另一种常用的方法是最小二乘法。在求解损失函数的最小值时，可以通过梯度下降法来一步步的迭
weixin_45306136·2020-06-29 15:52

Python-梯度下降法（最速下降法）求解多元函数

在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降法是最常采用的方法之一。
君琴·2020-06-29 13:53

命令执行漏洞学习笔记

0x01PHP命令执行命令注入的条件是否调用系统命令函数或函数的参数是否可控是否拼接注入命令命令连接符A&BA&&BA|BA||BAB间无约束关系A执行成功，然后执行BA的输出作为B的输入A执行失败，然后执行
0xdawn·2020-06-29 10:08

梯度下降法求极值

在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降（GradientDescent）是最常采用的方法之一，另一种常用的方法是最小二乘法。
weixin_43709601·2020-06-29 09:04

机器学习方法（一）——梯度下降法

在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降（GradientDescent）是最常采用的方法之一，另一种常用的方法是最小二乘法。这里就对梯度下降法做一个完整的总结。
爱吃串串的瘦子·2020-06-29 02:33

数学建模之目标规划问题（总）

一、目标规划的分类约束规划与无约束规划（既无不等式约束又无等式约束）线性规划（目标函数与约束函数均为线性函数）与非线性规划整数规划（包括0-1规划）多目标规划（目标函数形如f(x)=[f1(x),f2(
吃机智豆长大的少女乙·2020-06-29 02:02

最优化方法

最优化方法1优化目标的函数1.1无约束优化1.2约束优化1.3等式约束1.4不等式约束1.4.1极小值点落在可行域内（不包含边界）1.4.2极小值点落在可行域外（包含边界）1.4.3总结1.5优化问题总结
zhuxiaohai68·2020-06-28 23:46

优化问题杂谈

1分类1.1按照有无约束分类无约束优化：只要找到使得目标函数最优的解就好，对解没有额外的要求。有约束优化：解需要先满足一些条件，在所有满足条件的解里面，找到使得目标函数最优的解。
西川澹·2020-06-28 15:00

红尘大梦 满城衣冠

我希望慢吞吞转圈又转圈将人耐心消耗殆尽的网速狠狠束缚着我，让我不要太放肆，因为我很怕沉浸在无约束的条件里
ICBC郭琪慧·2020-06-28 15:43

梯度下降（Gradient Descent）小结

在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降（GradientDescent）是最常采用的方法之一，另一种常用的方法是最小二乘法。这里就对梯度下降法做一个完整的总结。
weixin_34221276·2020-06-28 14:10

《统计学习方法》 梯度下降的两种应用场景

一.介绍梯度下降法（gradientdescent）是求解无约束最优化问题的一种常用方法，有实现简单的优点。梯度下降法是迭代算法，每一步需要求解目标函数的梯度向量。
weixin_30662109·2020-06-27 23:50

最优化问题——梯度下降法

1、无约束最优化问题求解此问题的方法方法分为两大类：最优条件法和迭代法。2、最优条件法我们常常就是通过这个必要条件去求取可能的极小值点，再验证这些点是否真的是极小值点。
weixin_30551963·2020-06-27 21:33

牛顿法和拟牛顿法

牛顿法  考虑无约束优化问题min⁡x∈Rnf(x)\min_{x\inR^n}f(x)x∈Rnminf(x)x∗x^*x∗为目标函数的极小点。  
Rauchy·2020-06-27 14:59

利用Newton Raphson、最陡梯度法求解函数最小值

牛顿法（Newton'smethod）又称为牛顿-拉弗森方法（Newton-Raphsonmethod），它是一种在实数域和复数域上近似求解方程的方法,迭代的示意图如下：求解问题：1.无约束函数f的0点
逝水-无痕·2020-06-27 13:53

梯度下降训练线性回归（最优化2）

最速下降法是求解无约束优化问题最简单和最古老的方法之一，虽然现已不具有实用性，但是许多有效算法都是以它为基础进行改进和修正而得到的。
小火伴·2020-06-27 10:08

梯度下降法数学原理及代码实现

梯度下降法的原理假设f(x)是R^n上具有一阶连续偏导数的函数，要求解的无约束最优化问题是表示目标函数的极小值点。
笨笨的小棒棒·2020-06-27 06:15

牛顿法和拟牛顿法

  牛顿法（Newtonmethod）和拟牛顿法（quasiNewtonmethod）是求解无约束最优化问题的常用方法，有收敛速度快的优点。
Pikachu5808·2020-06-27 03:44

几种常用的优化方法梯度下降法、牛顿法、）

几种常用的优化方法1.前言熟悉机器学习的童鞋都知道，优化方法是其中一个非常重要的话题，最常见的情形就是利用目标函数的导数通过多次迭代来求解无约束最优化问题。
断腿小胖子·2020-06-27 01:35

凸优化----初步理解

3、一般的优化问题与凸优化问题的分水岭不在于问题本身是线性还是非线性的，有约束还是无约束的，核心问题在于这个问题是凸还是非凸。如果该问题是凸问题，那么这个问题就已经解决了。
u011551096·2020-06-27 01:35

最优化理论学习———问题汇总

最优化理论学习———问题汇总问题形式minf(x)s.t.x∈X其中x∈Rn为决策变量，f(x)为目标函数，X为可行域或者约束集，当约束集X=Rn，退化为无约束问题。
MaxWong123·2020-06-26 21:13

梯度下降算法

在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降（GradientDescent）是最常采用的方法之一。
小虾米1226·2020-06-26 21:45

无约束最优化问题求解--最小二乘、梯度下降和牛顿法原理推导对比

本文针对线性回归这一无约束最优化问题，深入分析最小二乘、梯度下降和牛顿法三种优化求解方法的优缺点，是对三种方法的原理学习总结。
tunghao·2020-06-26 20:13

Matlab实现FR共轭梯度法

前一段时间学习了无约束最优化方法，今天用Matlab实现了求解无约束最优化问题的FR共轭梯度法。关于共轭梯度法的理论介绍，请参考我的另一篇文章无约束最优化方法学习笔记。
TomHeaven·2020-06-26 20:36

机器学习中几种常见优化方法总结

要求解的无约束最优化问题是:梯度下降法是一种迭代算法，选取适当的初值x(0)，不断迭代更新x的值，进行目标函数的极小化，直到收敛。
steve_99·2020-06-26 17:13

Lagrange multipliers - 拉格朗日乘子法

>通过引入拉格朗日乘子，可将有D个变量与K个约束条件的最优化问题转化为具有D+K个变量的无约束优化问题求解。本文主要讲解其中的数学原理，并引入KKT条件。先考虑一个简单的等式约束的优化问题。
JRRG·2020-06-26 14:58
上一页 13 14 15 16 17 18 19 20 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他