Séance de cours

Méthodes de descente et recherche par ligne: Second Wolfe condition

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Description

Cette séance de cours plonge dans la deuxième condition de Wolfe, qui vise à éviter les étapes trop courtes le long d'une direction de descente. En exigeant une augmentation suffisante de la dérivée directionnelle, cette condition offre une flexibilité à l'algorithme, permettant différentes tailles de pas en fonction du paramètre beta_2. À travers des illustrations et des exemples, l'instructeur explique comment la deuxième condition Wolfe caractérise la progression de l'algorithme et influence l'acceptation ou le rejet des étapes, impactant finalement le processus d'optimisation.

Dans MOOC

Optimisation : principes et algorithmes - Optimisation non linéaire sans contrainte

Ce que vous apprendrez Formulation : vous apprendrez à partir d'exemples simples comment formuler, transformer et caractériser un problème d'optimisation. Fonction objective : vous passerez en revue les propriétés mathématiques de la fonction objective qui sont importantes dans l'optimisation. Conditions d'optimalité : vous apprendrez les conditions suffisantes et nécessaires pour une solution optimale. Résolution d'équations, Newton : il s'agit d'un rappel sur la méthode de Newton pour résoudre des équatio

Source officielle

Concepts associés (13)

Dérivée directionnelle

En analyse mathématique, la notion de dérivée directionnelle permet de quantifier la variation locale d'une fonction dépendant de plusieurs variables, en un point donné et le long d'une direction donnée dans l'espace de ces variables. Dans la version la plus simple, la dérivée directionnelle généralise la notion de dérivées partielles, dans le sens où l'on retrouve ces dernières en prenant comme directions de dérivation les axes de coordonnées. Le concept de dérivée directionnelle est fondamental en analyse.

Dérivée

En mathématiques, la dérivée d'une fonction d'une variable réelle mesure l'ampleur du changement de la valeur de la fonction (valeur de sortie) par rapport à un petit changement de son argument (valeur d'entrée). Les calculs de dérivées sont un outil fondamental du calcul infinitésimal. Par exemple, la dérivée de la position d'un objet en mouvement par rapport au temps est la vitesse (instantanée) de l'objet. La dérivée d'une fonction est une fonction qui, à tout nombre pour lequel admet un nombre dérivé, associe ce nombre dérivé.

Dérivée covariante

En géométrie différentielle, la dérivée covariante est un outil destiné à définir la dérivée d'un champ de vecteurs sur une variété. Dans le cas où la dérivée covariante existe, il n'existe pas de différence entre la dérivée covariante et la connexion, à part la manière dont elles sont introduites. (Cela est faux quand la dérivée covariante n'existe pas en revanche ).

Fréchet derivative

In mathematics, the Fréchet derivative is a derivative defined on normed spaces. Named after Maurice Fréchet, it is commonly used to generalize the derivative of a real-valued function of a single real variable to the case of a vector-valued function of multiple real variables, and to define the functional derivative used widely in the calculus of variations. Generally, it extends the idea of the derivative from real-valued functions of one real variable to functions on normed spaces.

Dérivée extérieure

En mathématiques, la dérivée extérieure, opérateur de la topologie différentielle et de la géométrie différentielle, étend le concept de la différentielle d'une fonction aux formes différentielles de degré quelconque. Elle permet de définir les formes différentielles fermées et exactes. Elle est importante dans la théorie de l'intégration sur les variétés, et elle est la différentielle employée pour définir la cohomologie de De Rham et celle d'Alexander-Spanier. Sa forme actuelle fut inventée par Élie Cartan.

Afficher plus

Séances de cours associées (50)

Théorème et explications MOOC: Analyse I (partie 5) : Fonctions continues et fonctions dérivables, la fonction dérivée MOOC: Analyse I

Couvre le théorème des incréments finis dans les fonctions dérivées.

Techniques d'optimisation

Couvre les techniques d'optimisation et leur application pour résoudre des problèmes réels.

Le sauvetage des processeurs de centres de données

Explore les défis et les solutions pour les processeurs de datacenter, en mettant l'accent sur l'efficacité, les problèmes de cache, la prévision des branches et les optimisations architecturales.

Méthodes de descente et recherche de ligne: Première condition Wolfe MOOC: Optimisation : principes et algorithmes - Optimisation non linéaire sans contrainte

Introduit la condition First Wolfe pour assurer une diminution proportionnelle de la fonction objectif par rapport à la longueur du pas.

Dérivés partiels : fonctions et définitions

Explore les dérivées partielles des fonctions avec de multiples variables, en mettant l'accent sur leurs définitions et leurs propriétés.

Afficher plus

Concepts associés (13)

Dérivée directionnelle