从算子角度理解优化方法
小白学视觉
共 3649字，需浏览 8分钟
·
2021-04-29 11:25
点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达
本文转自：深度学习这件小事
使得非线性映射 
满足
这个怎么和优化问题联系起来呢，大概是三个角度：
就是其梯度。
，迭代去寻找解：
这个 要满足一些条件。
是算子 的稳定点，也就是满足 
满足一些性质，比如nonexpansive，contractive，averaged operator等. 这些性质是分析稳定点迭代收敛性的关键。 的几种情况，然后说明其如何应用到优化问题中去。关于收敛性的东西不讲。
。令 
，我们应用forward operator去求解该方程
这就是梯度算法。
因为是约束问题，所以不能用梯度等于0去求解，一个思路就是分析其对偶问题。该问题的对偶问题为
令 
,这等价于求解 
。那么forward operator 就是
关键在于次梯度怎么求，在我之前文章（邓康康：原始对偶角度下的几类优化方法）中有提到过：
为拉格朗日函数。所以迭代（7）等价于
整合一下得到： 
，而这就等价于找到一个 
满足
这就是proximal point iteration。接下来我们将该算子应用到上面讲到的A的三种情况。
这等价于
整合一下我们知道
这就是临近点算法。
，令 
。那么backward operator 就是
这等价于一下迭代过程：
,这个推导过程见（邓康康：原始对偶角度下的几类优化方法），这就是增广拉格朗日方法。
，那么backward operator的稳定点迭代为：
使得满足
代到（14）得到：
。接下来考虑两个的情况，也就是：
我们用到的算子叫做分裂算子。
考虑可分得优化问题：
其中 
是一个光滑函数。这个问题等价于找到 满足
我们令 
，这样就可以运用Forward backward算子：
有了前面两节的讨论，我们知道：
是一个梯度迭代，
是一个临近点迭代。
这就是临近梯度算法。
和 
分别表示基于A,B的backwood operator。那么Douglas-Rachford splitting可以表示为：
他的对偶问题是：
其中
我们令 
,这样就可以应用Douglas-Rachford splitting：
拆分一下：
再引入 
根据前面backward operator的推导，我们知道临近点迭代等价于增广拉格朗日方法，所以第一行就等价于：
代入第二行得到： 
类似的第二行就等价于：
最后再看下第三行：
更新中：
的更新放在一起：
,这等价于 
,然后令右边的为 
,左边为新的迭代点 ，这样就得到了forward算子。其他的类似，都是这种思想去得到的，但也不能乱来。。你要满足一些性质，不然收敛不了的。 ,进而我们又可以去设计一个算子 ,并且最优解满足 
。那么我可以直接应用牛顿法去求解这两类非线性方程组。交流群
欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~
评论