梯度下降求解函数f(x)=x−5+√(4−x²)最大值的代码问题排查

核心问题分析 #

• 输入参数被硬编码覆盖：函数f_gradient_descent内部直接赋值x0 = 1.23和eta = 0.001，完全忽略了调用时传入的x0=0、eta=0.01参数，导致用户指定的初始点和学习率根本不生效。
• 迭代方向错误（梯度下降≠梯度上升）：我们要找的是函数最大值，梯度下降是用来找最小值的，求最大值应该用梯度上升：
  • 原迭代公式（梯度下降，求最小值）：x_{t+1}=x_t−ηf’(x_t)
  • 正确迭代公式（梯度上升，求最大值）：x_{t+1}=x_t+ηf’(x_t)
    原代码用了减号，相当于往函数减小的方向走，自然找不到最大值点。
• 导数计算可简化（非功能性问题）：原导数计算代码可以简化，提高可读性：

  # 原代码
  return 1 + 1/(2*math.sqrt(4-x**2))*(-2*x)
  # 简化后
  return 1 - x / math.sqrt(4 - x**2)
  

  两者数学上等价，但简化后更直观。

修复后的完整代码 #

import math

def f(x):
    return x - 5 + math.sqrt(4 - x**2)
 
def f_derivative(x):
    # 简化后的导数计算
    return 1 - x / math.sqrt(4 - x**2)

def f_gradient_descent(x0, eta, n_step):
    """
    Parameter:
        x0: Start point
        eta: Learning rate
        n_step: algorithm will stop after `n_step` cycle
    """
    # 移除硬编码的参数覆盖
    x_current = x0
    for _ in range(n_step):
        grad = f_derivative(x_current)
        # 梯度上升：加梯度乘以学习率
        x_current = x_current + eta * grad
        # 判断梯度是否足够小（接近极值点）
        if abs(grad) < 1e-5:
            break
    return f(x_current)

# 用更精确的预期值（2√2 -5 ≈ -2.171572875）
assert abs(f_gradient_descent(0, 0.01, 1000) - (2*math.sqrt(2)-5)) < 1e-4

验证结果 #

修复后调用f_gradient_descent(0, 0.01, 1000)会返回约-2.1716，符合预期的最大值。

内容的提问来源于stack exchange，提问作者Chris