OPTIMIZATION

梯度下降更新

沿目标函数局部最速下降方向更新参数。

xk+1=xk−ηk∇f(xk)x_{k+1}=x_k-\eta_k\nabla f(x_k)

符号、变量与单位

x:参数向量;η:步长;∇f:梯度;单位需使乘积与 x 一致。

适用条件与边界

光滑性与步长影响收敛;非凸问题不保证全局最优。

公式源码

以下为可复制的 LaTeX 表达式。

x_{k+1}=x_k-\eta_k\nabla f(x_k)

参考与延伸学习

Stanford · Convex Optimization, Boyd & Vandenberghe ↗

按模型定义与假设整理。工程、研究和临床使用前请核对实际条件与原始文献。

gradient descent优化

这些知识如何走进高端产品

相关科学人物与方法贡献

同学科公式

前往免费科学工具库 ↗