Quasi-Newton拟牛顿法(共轭方向法)
Quasi-Newton拟牛顿法(共轭方向法)
- 1. Introduction
- 2. 牛顿法
- 2.1 不能保证收敛
- 2.2 Hessian计算复杂
- 3. 共轭方向法
- 3.1 共轭方向
- 3.2 共轭方向上可以收敛到极小
- 3.3 共轭梯度法得到的是Q上的共轭方向
- 3.4 算法效果
- 4. 拟牛顿法
- 4.1 拟牛顿法构造的是Q的共轭方向
- 4.2 确定Hk - 秩1修正公式
- 4.2 确定Hk - DFP
- 4.3 确定Hk - BFGS
- 4.4 BFGS ceres
1. Introduction
拟牛顿法可以理解为使用迭代的方法近似Hessian矩阵,但是拟牛顿法本质上其实是共轭方向法,所以用共轭方向法来理解拟牛顿法更加贴切。
本文的主要内容来自于《最优化导论》(《An introduction to optimization》)
2. 牛顿法
牛顿法在很多地方都有详细的说明,就不在这里赘述了。
2.1 不能保证收敛
一般的非线性函数,牛顿法不能保证从任意起始点都可以收敛到极小值点。结果可能会随着迭代在极小值附件震荡,甚至越走越远。这就要求我们设置合理的步长。
2.2 Hessian计算复杂
另外牛顿法中Hessian矩阵计算十分复杂,于是就引入了拟牛顿法,可以设计近似矩阵来代替复杂的Hessian矩阵。
3. 共轭方向法
共轭方向法的求解的主要是n维的二次型函数:
通过找到关于Q的一系列共轭方向d,然后分别从每个共轭方向上优化,最终可以在n步之内得到结果。
同时为了更方便的找到共轭方向,引入使用迭代求出共轭方向的方法,如下的共轭梯度法:
为了说明清楚,我们需要:
- 定义共轭方向
- 通过朝共轭方向更新x,可以收敛到极小值
- 共轭梯度法构造得到的是共轭方向
3.1 共轭方向
共轭方向的定义如下,Q是上面所述的二次型函数中的表达。
关于共轭方向还有一个重要引理:
3.2 共轭方向上可以收敛到极小
3.3 共轭梯度法得到的是Q上的共轭方向
这个可以通过数学归纳法证明,证明可以参见原书。我们只需要知道共轭梯度法得到的d确实是Q的共轭方向。
3.4 算法效果
- 共轭方向法的效率在最速下降法和牛顿法之间。
- 对n维的二次型问题,n步之内可以得到结果。
- 不需要计算Hessian矩阵。
- 也不需要存储n*n的矩阵,不需要求逆运算。
Matlab compare example
%block preconditioning solution
clear all;
ex_blockprecond;A_full = full(A);
fprintf('\nStarting dense direct solve ...\n');
time_start = cputime;
x_star_dense = A_full\b;
time_end = cputime;
relres_dense = norm(A*x_star_dense - b)/norm(b);
fprintf('Relative residual: %e\n', relres_dense);
fprintf('Dense direct solve done.\nTime taken: %e\n',...
time_end - time_start);fprintf('\nStarting sparse direct solve ...\n');
time_start = cputime;
x_star_sparse = A\b;
time_end = cputime;
relres_sparse = norm(A*x_star_dense - b)/norm(b);
fprintf('Relative residual: %e\n', relres_sparse)
fprintf('Sparse direct solve done.\nTime taken: %e\n\n',...
time_end - time_start);fprintf('\nStarting CG ...\n');
time_start = cputime;
[x,flag,relres,iter,resvec] = pcg(A,b,1e-4,200);
time_end = cputime;
fprintf('CG done. Status: %d\nTime taken: %e\n', flag,...
time_end - time_start);
figure; semilogy(resvec/norm(b), '.--'); hold on;
set(gca,'FontSize', 16, 'FontName', 'Times');
xlabel('cgiter'); ylabel('relres');time_start = cputime;
L = chol(A_blk)';
time_end = cputime;
tchol = time_end - time_start;
fprintf('\nCholesky factorization of A blk. Time taken: %e\n', tchol);fprintf('\nStarting CG with block preconditioning ...\n');
time_start = cputime;
[x,flag,relres,iter,resvec] = pcg(A,b,1e-8,200,L,L');
time_end = cputime;
fprintf('PCG done. Status: %d\nTime taken: %e\n', flag,...
time_end - time_start);semilogy(resvec/norm(b), 'k.-'); hold on;
print('-depsc', 'ex_blockprecond_relres.eps');
fprintf('Total time block preconditioned PCG: %e\n',...
tchol+time_end - time_start);
4. 拟牛顿法
逆牛顿法的主要步骤如下,它实质上是一致共轭方向法。可以发现,它其实是构造了一系列共轭方向,然后用共轭方向法更新变量x。
4.1 拟牛顿法构造的是Q的共轭方向
- 拟牛顿法是共轭方向法,可以在n此迭代内得到结果。
- 拟牛顿法是通过H迭代构造共轭方向,H的构造则有很多方法,下面介绍几个常用的。
4.2 确定Hk - 秩1修正公式
4.2 确定Hk - DFP
4.3 确定Hk - BFGS
由于我们在运算中使用的都是H的逆,于是BFGS只关注H的逆(记为B)。
4.4 BFGS ceres
BFGS ceres 代码可以在这里找到ceres中实现BFGS的代码步骤。
为了理解代码,我们先写出BFGS的另一种表达方式,并且证明它与上面的表达式是等价的。
// Efficient O(num_parameters^2) BFGS update [2].//// Starting from dense BFGS update detailed in Nocedal [2] p140/177 and// using: y_k = delta_gradient, s_k = delta_x://// \rho_k = 1.0 / (s_k' * y_k)// V_k = I - \rho_k * y_k * s_k'// H_k = (V_k' * H_{k-1} * V_k) + (\rho_k * s_k * s_k')//// This update involves matrix, matrix products which naively O(N^3),// however we can exploit our knowledge that H_k is positive definite// and thus by defn. symmetric to reduce the cost of the update://// Expanding the update above yields://// H_k = H_{k-1} +// \rho_k * ( (1.0 + \rho_k * y_k' * H_k * y_k) * s_k * s_k' -// (s_k * y_k' * H_k + H_k * y_k * s_k') )//// Using: A = (s_k * y_k' * H_k), and the knowledge that H_k = H_k', the// last term simplifies to (A + A'). Note that although A is not symmetric// (A + A') is symmetric. For ease of construction we also define// B = (1 + \rho_k * y_k' * H_k * y_k) * s_k * s_k', which is by defn// symmetric due to construction from: s_k * s_k'.//// Now we can write the BFGS update as://// H_k = H_{k-1} + \rho_k * (B - (A + A'))// For efficiency, as H_k is by defn. symmetric, we will only maintain the// *lower* triangle of H_k (and all intermediary terms).
如上面的ceres的描述中描述的,对BFGS中的参数做了进一步标记:
然后可以自然的得到下面的代码:
const double rho_k = 1.0 / delta_x_dot_delta_gradient;// Calculate: A = s_k * y_k' * H_kMatrix A = delta_x * (delta_gradient.transpose() *inverse_hessian_.selfadjointView<Eigen::Lower>());// Calculate scalar: (1 + \rho_k * y_k' * H_k * y_k)const double delta_x_times_delta_x_transpose_scale_factor =(1.0 + (rho_k * delta_gradient.transpose() *inverse_hessian_.selfadjointView<Eigen::Lower>() *delta_gradient));// Calculate: B = (1 + \rho_k * y_k' * H_k * y_k) * s_k * s_k'Matrix B = Matrix::Zero(num_parameters_, num_parameters_);B.selfadjointView<Eigen::Lower>().rankUpdate(delta_x, delta_x_times_delta_x_transpose_scale_factor);// Finally, update inverse Hessian approximation according to:// H_k = H_{k-1} + \rho_k * (B - (A + A')). Note that (A + A') is// symmetric, even though A is not.inverse_hessian_.triangularView<Eigen::Lower>() +=rho_k * (B - A - A.transpose());}*search_direction =inverse_hessian_.selfadjointView<Eigen::Lower>() *(-1.0 * current.gradient);
Quasi-Newton拟牛顿法(共轭方向法)相关推荐
- 什么是牛顿法(Newton methods)?什么是拟牛顿法(Quasi Newton methods)?牛顿法和梯度下降法的区别是什么?
什么是牛顿法(Newton methods)?什么是拟牛顿法(Quasi Newton methods)?牛顿法和梯度下降法的区别是什么? 牛顿法的最初提出是用来求解方程的根的.对于最优化问题,其极值 ...
- 牛顿法(Newton‘s method)和拟牛顿法(quasi Newton method)
简述 在看伊恩·古德费洛的深度学习,4.3节基于梯度的优化方法时提到 仅使用梯度信息的优化算法称为 一阶优化算法 ,如梯度下降. 使用Hessian矩阵的优化算法称为 二阶最优化算法 ,如牛顿法. 牛 ...
- 【最优化算法】基于【MATLAB】的拟牛顿法【Quasi Newton method】分析与推导
- AI人工智能 / ML机器学习专业词汇集
部分转自AI人工智能专业词汇集 目录 Letter A Letter B Letter C Letter D Letter E Letter F Letter G Letter H Letter I ...
- 机器学习专业英语单词
常用英语词汇-andrew Ng课程 [1 ] intensity 强度 [2 ] Regression 回归 [3 ] Loss function 损失函数 [4 ] non-convex 非凸函数 ...
- 人工智能领域专业术语合集
人工智能专业术语 资料来源:https://github.com/jiqizhixin/Artificial-Intelligence-Terminology 文章目录 人工智能专业术语 Letter ...
- 【干货】人工智能专业重要词汇表(红宝书)
[干货]人工智能专业重要词汇表(红宝书) 1.A开头的词汇: Artificial General Intelligence/AGI 通用人工智能 Artificial Intelligence/AI ...
- 机器学习复习6-优化器等 面试看这一篇就妥妥够了
该文对优化器进行了全面的梳理和整理,包括原理分析,面试看这一篇就妥妥够了! 预备知识 一.正定和半正定矩阵 (了解) 半正定矩阵包括了正定矩阵. 不定矩阵:特征值有正有负 二.牛顿法和拟牛顿法(二阶优 ...
- 机器视觉领域专业词汇中英对照
A Accumulated error backpropagation 累积误差逆传播 Activation Function 激活函数 Adagrad 一种自适应学习率算法 Adam 一种类似于 r ...
- 06.Logistic回归与最大熵模型(学习笔记)
06.Logistic回归与最大熵模型 参考: 袁春老师<大数据机器学习公开课>:https://www.xuetangx.com/course/THU08091001026/103331 ...
最新文章
- ValueError: Variable rnn/basic_lstm_cell/kernel already exists, disallowed.
- Oracle-多表连接的三种方式解读
- How to find unit test class by code
- charles使用说明(基于mac)
- 解决ubuntu18.04中python兼容以及pip兼容问题
- webug第十二关:我系统密码忘记了!
- 一本通1594涂抹果酱
- 翻译pdf中的英文 python_浅谈python实现Google翻译PDF,解决换行的问题
- 解决:安装Widget插件提醒已安装却不见界面
- vue框架导入echarts第一个示例
- Can't connect to X11 window server using 'localhos
- AS打包APK时,一直缺失so库的解决办法
- Cisco ISO 计划命令 kron实现配置定时自动备份
- qt使用鼠标事件获取鼠标在QLabel和Ui界面中的点击位置
- [javascript] Box2D JS初探(一个控制小球的游戏例子)。学习用!
- gdc矫正_GDC 2015的众多游戏
- 将英文kali改成中文kali
- debussy vhdl co-simulation
- java 水仙花数_如何理解Java中的水仙花数?
- 小型水库雨水情测报及大坝安全监测系统