IT 面试题库

凸优化中的凸函数、梯度与最优性条件是什么?

高级开放讨论题算法工程师机器学习工程师数据科学家数学凸优化梯度最优性

题目

请说明凸函数的定义与「局部极小即全局极小」的性质,并给出可微凸函数的最优点条件,联系梯度下降为何适用于凸问题。

参考答案

内容深度:适中 · 无代码示例 · 来源:外部链接 · 未复核 · 75 天前更新 · 技术内容可能随版本变化,建议结合官方文档理解

凸函数定义:定义域 D 为凸集,对任意 $x,y\in D$ 与 $t\in[0,1]$:

$$f(tx+(1-t)y)\le t f(x)+(1-t)f(y)$$

几何上:函数图像上任意两点连线都在图像之上(碗形)。

关键性质

一阶最优性条件(可微凸函数)

与梯度下降

二阶导数判别:二阶可导时 $f''(x)\ge0$(一元)或 Hessian 半正定(多元)即为凸。

练这道题

同分类 · 高频题

题目与答案就在本页;收藏、批注和错题重练在应用内

这道题看完了?连刷同类题,趁热打铁效果最好 进入刷题