次梯度（subgradient）

次导数

设f在实数域上是一个凸函数，定义在数轴上的开区间内。
这种函数不一定是处处可导的，例如绝对值函数f(x) = |x| 。
对于下图来说，对于定义域中的任何x0，我们总可以作出一条直线，它通过点(x0, f(x0))，并且要么接触f的图像，要么在它的下方。
直线(红线)的斜率称为函数的次导数。次导数的集合称为函数f在x0处的次微分。

定义

对于所有x，我们可以证明在点x_0 的次导数的集合（这个集合里面的元素是无限多的，因为这里的红线可以不停地摇摆）是一个非空闭区间[a,b]，其中a和b是单测极限。
$a = \lim_{x->x^-_0} \frac {f(x)- f(x_0)}{x-x_0}$
$b =\lim_{x->x^+_0} \frac {f(x)- f(x_0)}{x-x_0}$
一定存在，且a<=b，在[a,b]内的所有次导数是f在x0的次微分。

例子

凸函数f(x)=|x|。在原点的次微分是[-1,1]。当x0<0时，次微分是单元素集合{-1},而x0>0时，次微分单元素集合是{1}。

性质

当函数在x0处可导时，次微分只有一个点组成，这个点就是函数在x0处的导数。

次梯度法

次梯度方法(subgradient method)是传统的梯度下降方法的拓展，用来处理不可导的凸函数。它的优势是比传统方法处理问题范围大，劣势是算法收敛速度慢。但它对不可导函数有很好的处理方法。
通过求函数在点的每一分量的次导数可以求出函数在该点的次梯度。

---

本文来自 changtingwai58 的CSDN 博客 ，全文地址请点击：https://blog.csdn.net/sinat_27612639/article/details/70049715?utm_source=copy