梯度向量、Jacobian矩阵、Hessian矩阵

梯度向量：

定义：

目标函数f为单变量，是关于自变量向量x=(x1,x2,…,xn)T的函数，

单变量函数f对向量x求梯度，结果为一个与向量x同维度的向量，称之为梯度向量；

Jacobian矩阵：

定义：

目标函数f为一个函数向量，f=(f1(x),f2(x),…fm(x))T;

其中，自变量x=(x1,x2,…,xn)T；

函数向量f对x求梯度，结果为一个矩阵；行数为f的维数；列数位x的维度，称之为Jacobian矩阵；

其每一行都是由相应函数的梯度向量转置构成的；

【注】：梯度向量Jacobian矩阵的一个特例；

当目标函数为标量函数时，Jacobian矩阵是梯度向量；

Hessian矩阵：

实际上，Hessian矩阵是梯度向量g(x)对自变量x的Jacobian矩阵：

内积：

向量a和向量b的内积等于a的长度乘b的长度乘夹角的余弦；

海森矩阵在牛顿法中的应用

牛顿法主要应用在两个方面：求方程的根; 最优化；

1)求解方程：

并不是所有的方程都有求根公式, 或者求根公式很复杂, 导致求解困难；

利用牛顿法, 可以迭代求解；

原理：

利用泰勒公式, 在x0处一阶展开,即f(x)=f(x0)+(x-x0)f’(x0);

求解方程f(x)=0,即f(x0)+(x-x0)f’(x0)=0, 求解x=x1=x0-f(x0)/f’(x0),

因为利用泰勒公式的一阶展开, f(x)=f(x0)+(x-x0)f’(x0)处是近似相等;

f(x1)的值比f(x0)更接近f(x)=0,于是迭代求解;

推出xn+1=xn–f(xn)/f’(xn)通过迭代, 这个式子必然在f(x^∗)=0的时候收敛;

整个过程如下图：

2)最优化：

在最优化的问题中,

线性最优化可以用不动点算法求解,

但非线性优化问题, 牛顿法提供了一种求解的办法；

假设优化一个目标函数f, 求函数f的极大极小问题,可转化为f’=0的问题;

把优化问题看成方程求解问题(f’=0);

求解f’=0的根, 把f(x)的2阶泰勒展开:

f(x+Δx)=f(x)+f’(x)Δx+1/2f’’(x)Δx^2;

当且仅当Δx 无限趋近于0时, f(x+Δx)=f(x)约去这两项,

对余项式f’(x)Δx+1/2f”(x)Δx^2=0对Δx求导(注: f’(x), f’’(x)均为常数项;

此时上式等价：

f’(x)+f’’(x)Δx=0;

求解：

Δx=−f’(xn)/f’’(xn);

得出迭代公式：

xn+1=xn−f’(xn)f’’(xn),n=0,1,...

一般认为牛顿法可以利用到曲线本身的信息, 比梯度下降法更容易收敛（迭代更少次数）,

如下图是一个最小化一个目标方程的例子, 红色曲线是利用牛顿法迭代求解, 绿色曲线是利用梯度下降法求解;