凸优化学习笔记16：次梯度 Subgradient
前面讲了梯度下降的方法，关键在于步长的选择：固定步长、线搜索、BB方法等，但是如果优化函数本身存在不可导的点，就没有办法计算梯度了，这个时候就需要引入次梯度(Subgradient)，这一节主要关注次梯度的计算。 1. 次梯度 次梯度(subgradient)的定义为 ∂ f ( x ) = { g ∣ f ( y ) ≥ f ( x ) + g T ( y − x ) , ∀ y ∈ dom f
相关文章
- 1. 次梯度（subgradient）
- 2. 【深度学习】凸优化 - 次梯度算法
- 3. 凸优化学习笔记17：次梯度下降法
- 4. 凸优化－次梯度算法
- 5. 【机器学习】次梯度（subgradient）方法
- 6. 凸优化学习笔记 15：梯度方法
- 7. 凸优化学习笔记 5：保凸变换
- 8. 凸优化学习笔记 1：Convex Sets
- 9. 凸优化学习笔记6.3
- 10. 《凸优化》7 学习笔记
- 更多相关文章...
- • SEO - 搜索引擎优化 - 网站建设指南
- • 您已经学习了 XML Schema，下一步学习什么呢？ - XML Schema 教程
- • Tomcat学习笔记（史上最全tomcat学习笔记）
- • 算法总结-广度优先算法
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. 次梯度（subgradient）
- 2. 【深度学习】凸优化 - 次梯度算法
- 3. 凸优化学习笔记17：次梯度下降法
- 4. 凸优化－次梯度算法
- 5. 【机器学习】次梯度（subgradient）方法
- 6. 凸优化学习笔记 15：梯度方法
- 7. 凸优化学习笔记 5：保凸变换
- 8. 凸优化学习笔记 1：Convex Sets
- 9. 凸优化学习笔记6.3
- 10. 《凸优化》7 学习笔记