从数值微分到梯度下降：深度学习的基石

从数值微分到梯度下降：深度学习的基石

在深度学习的世界里，梯度下降算法是训练神经网络的基石。而要理解梯度下降，首先要掌握数值微分这个关键概念。

导数：变化的瞬间捕捉

想象你正在跑马拉松，前10分钟跑了2千米。你的平均速度是0.2千米/分，但真正的速度是瞬间变化量，这就是导数的本质。

数学上，导数定义为：
df(x)dx=lim⁡h→0f(x+h)−f(x)h \frac{df(x)}{dx} = \lim_{h \to 0} \frac{f(x+h) - f(x)}{h}dxdf(x)​=h→0lim​hf(x+h)−f(x)​

数值微分的实现陷阱

初学者可能会这样实现：

# 不好的实现示例defnumerical_diff(f,x):h=10e-50return(f(x+h)-f(x))/h

这里有两个问题：

1. 舍入误差：h太小会导致计算机精度问题
2. 前向差分不准确：不是真正的切线斜率

改进方案：中心差分法

defnumerical_diff(f,x):h=1e-4# 0.0001，避免舍入误差return(f(x+h)-f(x-h))/(2*h)# 中心差分，更准确

图4-5展示了真导数（蓝色切线）与数值微分（红色近似线）的区别：

• 前向差分：计算(x+h)和x之间的斜率
• 中心差分：以x为中心，计算左右两侧的平均斜率，误差更小

实战示例：简单函数的数值微分

考虑二次函数：
y=0.01x2+0.1x y = 0.01x^2 + 0.1xy=0.01x2+0.1x

Python实现：

deffunction_1(x):return0.01*x**2+0.1*x# 计算在x=5处的数值微分print(numerical_diff(function_1,5))# 输出：0.1999999999990898

解析解为dydx=0.02x+0.1\frac{dy}{dx} = 0.02x + 0.1dxdy​=0.02x+0.1，在x=5处真导数为0.2。我们的数值微分结果0.1999999999990898误差极小！

图4-7展示了用数值微分计算的切线：在x=5和x=10处，红色切线完美贴合蓝色曲线。

多变量函数：偏导数的挑战

当函数有多个变量时，如：
f(x0,x1)=x02+x12 f(x_0, x_1) = x_0^2 + x_1^2f(x0​,x1​)=x02​+x12​

我们需要计算偏导数：只对一个变量求导，其他变量视为常数。

计算x0=3,x1=4x_0=3, x_1=4x0​=3,x1​=4时关于x0x_0x0​的偏导数：

# 固定x1=4，创建单变量函数deffunction_tmp1(x0):returnx0*x0+4.0**2.0print(numerical_diff(function_tmp1,3.0))# 输出：6.00000000000378

解析解 vs 数值解

• 解析求导：基于数学公式推导，如ddxx2=2x\frac{d}{dx}x^2 = 2xdxd​x2=2x
• 数值微分：基于微小差分近似，有计算误差但通用性强

为什么这对深度学习重要？

1. 神经网络训练：梯度下降需要计算损失函数对每个参数的偏导数
2. 反向传播：核心是链式法则求导，数值微分可用于验证
3. 无法解析求导时：某些复杂函数没有简单导数公式，数值微分是唯一选择

关键要点

1. 数值微分用有限差分近似导数
2. 中心差分比前向差分更准确
3. 偏导数是多变量函数沿特定方向的变化率
4. h的选择很关键：太小有舍入误差，太大近似不准确
5. 数值微分是理解梯度的第一步，为优化算法奠定基础

掌握数值微分不仅帮助你理解数学原理，更是打开深度学习大门的钥匙。在下篇文章中，我们将探讨如何从数值微分扩展到梯度下降算法，敬请期待！

---