[英]Numerical Gradient in Matlab - Rounding Issues
我正在嘗試計算凸函數的數字子梯度。 我的測試對象是Wolfe函數 。 它並不需要非常精確,因此我嘗試了兩個方向的正態有限差分:(f(xh)-f(x + h))/ 2h。 在代碼中:
delta = 1e-10;
subgradient = zeros(length(xToEvaluate),1);
for i = 1 : length(xToEvaluate)
deltaX = xToEvaluate;
deltaX(i) = xToEvaluate(i) + delta;
f1 = funct( deltaX );
deltaX(i) = xToEvaluate(i) - delta;
f2 = funct( deltaX );
subgradient(i,1) = (f1 - f2) / (2 * delta);
end
在函數的最小最小值處(-1,0),我得到了一些東西,大小為1e-7
,非常好。 當我移動到(-1,0.1)或(-1,1e-6)之類的東西時,我得到了次梯度,其第二分量約為16
。
我知道低增量可能會導致舍入誤差,但是隨着增量的增加,這種情況並不會變得更好。
我的第二次嘗試是一維的五點模具 ,但是即使在1e-3
左右的變化量下,奇怪的16
仍然不斷彈出...
delta = 1e-3;
subgradient = zeros(length(xToEvaluate),1);
for i = 1 : length(xToEvaluate)
xPlusTwo = xToEvaluate;
xPlusOne = xToEvaluate;
xMinusTwo = xToEvaluate;
xMinusOne = xToEvaluate;
xPlusTwo(i) = xToEvaluate(i) + 2*delta;
xPlusOne(i) = xToEvaluate(i) + delta;
xMinusTwo(i) = xToEvaluate(i) - 2*delta;
xMinusOne(i) = xToEvaluate(i) - delta;
subgradient(i,1) = (-funct(xPlusTwo) + 8*funct(xPlusOne) - 8*funct(xMinusOne) + funct(xMinusTwo)) / (12*delta);
end
有人知道這是怎么回事嗎?
如果計算出該Wolfe函數的梯度,則可以得出:
if x<=0;
dfx = 9 - 81*x.^8;
dfy = 16*sign(y);
elseif x>=abs(y);
dfx = 5*0.5./sqrt(9*x.^2 + 16*y.^2)*9*2.*x;
dfy = 5*0.5./sqrt(9*x.^2 + 16*y.^2)*16*2.*y;
else
dfx = 9;
dfy = 16*sign(y);
end
如您所見,對於x<=0
,梯度的第二個分量為16*sign(y)
,因此當y==0
時為零,否則為+-16
。
順便說一句,確切的最小值似乎並不位於[-1 0]
,而是[-0.7598 0]
= [-(1/9)^(1/8) 0]
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.