內(nèi)容導(dǎo)讀：切線、導(dǎo)數(shù)、偏導(dǎo)數(shù)、梯度、梯度下降算法，從中學(xué)、大學(xué)數(shù)學(xué)到人工智能，這些概念是一脈相承的。本文將這些知識(shí)進(jìn)行大串聯(lián)。
如果你是個(gè)中學(xué)生，讀完本篇文章，你將會(huì)了解到，中學(xué)里學(xué)習(xí)的數(shù)學(xué)將來會(huì)在人工智能的哪些方面應(yīng)用。如果你正在從事人工智能的學(xué)習(xí)研究，本文將有助于你系統(tǒng)地重溫人工智能算法及其預(yù)備知識(shí)的前世今生。
(1)中學(xué)數(shù)學(xué)里的相切、切線、導(dǎo)數(shù)等概念。
曲線上某點(diǎn)A的切線是這樣定義的：B是曲線上鄰近A的點(diǎn)，以A為定點(diǎn)，當(dāng)B點(diǎn)沿著曲線無限地接近A點(diǎn)時(shí)，割線AB的極限位置就是曲線在點(diǎn)A的切線，A點(diǎn)叫做切點(diǎn)。下面的GIF動(dòng)畫動(dòng)態(tài)演示了這一過程。
我們可以繪制任意光滑曲線上的點(diǎn)的切線。下面幾幅動(dòng)圖展示了圓、拋物線、正弦曲線、復(fù)合函數(shù)曲線上的切線。
有了切線和切點(diǎn)，我們還可以求出經(jīng)過切點(diǎn)的法線，它與切線垂直。正弦曲線上任何一點(diǎn)的切線及其法線如下面的動(dòng)圖所示。
曲線上某點(diǎn)的切線的斜率，我們稱之為曲線在該點(diǎn)的導(dǎo)數(shù)。當(dāng)然，導(dǎo)數(shù)有其嚴(yán)格的定義，函數(shù)y=f(x)在x0處的導(dǎo)數(shù)定義為：函數(shù)y=f(x)在x0處的函數(shù)值的增量Δy與自變量的增量Δx之比在Δx→0時(shí)的極限，如下圖所示：
當(dāng)然，這個(gè)導(dǎo)數(shù)值與x0處的切線斜率是相等的。
導(dǎo)數(shù)或者切線斜率有什么意義？它反映了當(dāng)自變量變化時(shí)，因變量變化的快慢程度。如下圖所示，圖中給出了拋物線上兩點(diǎn)A,B的切線，顯然B點(diǎn)的切線更陡峭，則在兩點(diǎn)處，當(dāng)自變量x有相同的變化量Δx時(shí)，B點(diǎn)的因變量Δy更大。明白這一點(diǎn)很重要。
在中學(xué)里學(xué)習(xí)的導(dǎo)數(shù)，僅限于單個(gè)自變量的函數(shù)。事實(shí)上，許多函數(shù)有2個(gè)或者更多自變量。那么此時(shí)導(dǎo)數(shù)該怎么定義呢？這就要用到偏導(dǎo)數(shù)。
(2)大學(xué)里的偏導(dǎo)數(shù)概念。
為了簡化問題，數(shù)學(xué)家們想了一個(gè)巧妙的方法。例如對(duì)2元函數(shù)f(x,y),把y看作常數(shù)，則f(x,y)變成了一元函數(shù)，就可以按照中學(xué)里導(dǎo)數(shù)的定義求解出f(x,y)在(x0,y0)處對(duì)x的導(dǎo)數(shù)。同理，將x看作常數(shù)，可以求出f(x,y)在(x0,y0)處對(duì)y的導(dǎo)數(shù)。這個(gè)導(dǎo)數(shù)叫作對(duì)x或y方向的偏導(dǎo)數(shù)，如下圖所示。
偏導(dǎo)數(shù)用下面的公式來表示。
偏導(dǎo)數(shù)反映了在(x0,y0)處，f(x,y)在某個(gè)方向上隨該自變量變化而發(fā)生變化的快慢程度。
很容易將偏導(dǎo)數(shù)的概念推廣到多元函數(shù)。
如果給偏導(dǎo)數(shù)添加方向，可以將偏導(dǎo)數(shù)變換為矢量形式。其變換方法為將各個(gè)方向的偏導(dǎo)數(shù)乘以該方向的單位方向向量，如下圖所示：
則該矢量的和稱為梯度，如上面的圖所示。反過來，梯度矢量在各個(gè)坐標(biāo)軸的投影的大小即為在各個(gè)方向的偏導(dǎo)數(shù)。
那么梯度有什么意義呢？根據(jù)前面的介紹，方向?qū)?shù)反映了函數(shù)值在各個(gè)方向上的最大變化率，梯度是各個(gè)方向梯度分量（偏導(dǎo)數(shù)乘以單位方向向量）的合成，則梯度自然反映了函數(shù)的最大變化率及其方向。
理解了這一點(diǎn)非常重要。它有什么用呢？
在人工智能的機(jī)器學(xué)習(xí)中，訓(xùn)練各種機(jī)器學(xué)習(xí)模型時(shí)，常常構(gòu)造一個(gè)誤差函數(shù)。為了避免正負(fù)誤差抵消，常取模型輸出與目標(biāo)輸出的誤差平方和構(gòu)造一個(gè)誤差函數(shù)，也稱為損失函數(shù)，如下圖所示。
而這個(gè)誤差函數(shù)中，有一些變量，譬如權(quán)重，是模型訓(xùn)練要優(yōu)化的對(duì)象。
機(jī)器學(xué)習(xí)模型的訓(xùn)練，是一個(gè)反復(fù)迭代更新誤差函數(shù)中的權(quán)重等變量，使誤差下降的過程。自然，誤差下降的越快，則模型訓(xùn)練用時(shí)越少。
聯(lián)想到函數(shù)沿梯度方向的變化量最大，自然而然的想到，每次迭代都沿梯度方向降低誤差，會(huì)使誤差快速下降?？聪聢D，假定它是一個(gè)2元變量的誤差函數(shù)。誤差函數(shù)存在極小值，則顯然沿路徑ABCDE誤差下降到達(dá)最小值的速度最快。
簡單的講，梯度下降算法基本思想是：在當(dāng)前位置，各個(gè)自變量沿各自的梯度方向變化，得到下一個(gè)位置。下圖是該算法的描述，分別給出了誤差函數(shù)和參數(shù)更新公式。
圖中，a是學(xué)習(xí)步長，用來控制參數(shù)更新的快慢。
下圖展示了一個(gè)1元誤差函數(shù)梯度下降算法的過程。
總結(jié)：切線、導(dǎo)數(shù)、偏導(dǎo)數(shù)、梯度、梯度下降算法，從中學(xué)、大學(xué)數(shù)學(xué)到人工智能，這些概念層層遞進(jìn)，一脈相承。反過來看，人工智能的算法并不復(fù)雜，它的基本思想就蘊(yùn)含在中學(xué)、大學(xué)學(xué)習(xí)的數(shù)學(xué)知識(shí)中。
