梯度下降法数学理解

1、数学梯度下降法

目标：求函数 f(x)=x2的最小值。
我们知道最小值在 x=0 处，但梯度下降法不需要知道这个，它会自己找到。

步骤：

1. 初始位置：随便取 x=4

2. 学习率（步长）：η=0.1

3. 梯度：f′(x)=2x。梯度的反方向就是 −2x

4. 更新公式：xnew=x−η⋅f′(x)=x−0.1×(2x)=x−0.2x=0.8x

迭代过程：

• 第0步：x=4

• 第1步：x=0.8×4=3.2

• 第2步：x=0.8×3.2=2.56

• 第3步：x=0.8×2.56=2.048

• 第4步：x=1.638

• 第5步：x=1.310

• 第6步：x=1.048

• 第7步：x=0.838

• 第8步：x=0.671

• ……

• 第n步：x 逐渐逼近 0

结论：梯度下降法每次沿着“负梯度方向”更新 x，使函数值 f(x)=x2不断下降，最终收敛到最小值点 x=0。

2、神经网络中使用梯度下降法

整个过程可以拆成 4 步：

1. 定义损失函数

假设一个神经网络做分类任务，最后一层输出预测值 y^，真实标签是 y。
定义一个损失函数 LL（比如交叉熵损失或均方误差），用来衡量预测与真实之间的差距。
目标：找到网络中的所有权重 W 和偏置 b，使 LL最小。

2. 前向传播（Forward）

输入一个 batch 的样本，数据从输入层依次经过各层（线性变换 + 激活函数），一直传到输出层，得到预测值 y^​。
同时，每一层的中间结果（激活值、加权和）需要保存下来，供后面反向传播使用。

实际训练中的循环

整个流程是迭代的：

Repeat:

1. 随机取一个 mini-batch 的数据

2. 前向传播计算损失

3. 反向传播计算每个参数的梯度

4. 用梯度下降（或其变体，如SGD、Adam）更新参数，Until 损失收敛或达到指定迭代次数

总结：

模型先随机给定w值和b值，然后让模型能得到一个预测值，然后用1/2（y*-y）*(y*-y),得到损失。

然后连用链式求导法，逐渐反推出w值和b值。不断地训练模型，不断地更新w和b，直到损失趋于平稳，把模型放到验证集上去验证模型的泛化能力。然后判断是否需要减小或者增大学习率来再次对模型进行训练。

3、损失曲线看模型训练结果

参考链接：

梯度下降法