最近在看ATOM，作者在线训练了一个分类器，用的方法是高斯牛顿法和共轭梯度法。看不懂，于是恶补了一波。学习这些东西并不难，只是难找到学习资料。简单地搜索了一下，许多文章都是一堆公式，这谁看得懂啊。

后来找到一篇《An Introduction to the Conjugate Gradient Method Without the Agonizing Pain》，解惑了。
为什么中文没有这么良心的资料呢？英文看着费劲，于是翻译过来搬到自己的博客，以便回顾。

由于原文比较长，一共 $66$ 页的PDF，所以这里分成几个部分来写。

目录
共轭梯度法（Conjugate Gradients）（1）
共轭梯度法（Conjugate Gradients）（2）
共轭梯度法（Conjugate Gradients）（3）
共轭梯度法（Conjugate Gradients）（4）
共轭梯度法（Conjugate Gradients）（5）

---

Abstract （摘要）

共轭梯度法（Conjugate Gradient Method）是求解稀疏线性方程组最棒的迭代方法。然鹅，许多教科书上面既没有插图，也没有解说，学生无法得到直观的理解。时至今日（今日指1993年，因为这份教材是1993年发表的），仍然能看到这些教材的受害者们在图书馆的角落里毫无意义地琢磨。只有少数的大佬破译了这些正常人看不懂的教材，有深刻地几何上的理解。然而，共轭梯度法只是一些简单的、优雅的思路的组合，像你一样的读者都可以毫不费力气学会。

本文介绍了二次型（quadratic forms），用于推导最速下降（Steepest Descent），共轭方向（Conjugate Directions）和共轭梯度（Conjugate Gradients）。

解释了特征向量（Eigenvectors），用于检验雅可比方法（Jacobi Method）、最速下降、共轭梯度的收敛性。

还有其它的主题，包括预处理（preconditioning）和非线性共轭梯度法（nonlinear Conjugate Gradient Method）

本文的结构：

1. Introduction（简介）

当我决定准备学共轭梯度法（Conjugate Gradient Method， 简称 CG）的时候，读了 $4$ 种不同的版本，恕我直言，一个都看不懂。很多都是简单地给出公式，证明了一下它的性质。没有任何直观解释，没有告诉你 CG 是怎么来的，怎么发明的。我感到沮丧，于是写下了这篇文章，希望你能从中学到丰富和优雅的算法，而不是被大量的公式困惑。

CG 是一种最常用的迭代方法，用于求解大型线性方程组，对于这种形式的问题非常有效：$$Ax=b\text{\hspace{1em}(1)}$$ 其中：
$x$ 是未知向量，$b$ 是已知向量。
$A$ 是已知的 方形的（square）、对称的（symmetric）、正定的（positive-definite）矩阵。
（如果你忘了什么是“正定”，不用担心，我会先给你回顾一下。）

这样的系统会出现在许多重要场景中，如求解偏微分方程（partial differential equations）的有限差分（finite difference）和有限元（finite element）法、结构分析、电路分析和你的数学作业。

像 CG 这样的迭代方法适合用稀疏（sparse）矩阵。如果 $A$ 是稠密（dense）矩阵，最好的方法可能是对 $A$ 进行因式分解（factor），通过反代入来求解方程。对稠密矩阵 $A$ 做因式分解的耗时和迭代求解的耗时大致相同。一旦对 $A$ 进行因式分解后，就可以通过多个 $b$ 的值快速求解。稠密矩阵和大一点的稀疏矩阵相比，占的内存差不多。稀疏的 $A$ 的三角因子通常比 $A$ 本身有更多的非零元素。由于内存限制，因式分解不太行，时间开销也很大，即使是反求解步骤也可能比迭代解法要慢。另外一方面，绝大多数迭代法用稀疏矩阵都不占内存且速度快。

下面开始，我就当作你已经学过线性代数（linear algebra），对矩阵乘法（matrix multiplication）和线性无关（linear independence）等概念都很熟悉，尽管那些特征值特征向量什么的可能已经不太记得了。我会尽量清楚地讲解 CG 的概念。

2. Notation（标记）

$\bullet$ 除了一些特例，这里一般用大写字母表示矩阵（matrix），小写字母表示向量（vector），希腊字母表示标量（scalar）。

   所以 $A$ 是一个 $n\times n$ 的矩阵，$x$ 和 $b$ 是向量（同时也是 $n\times 1$ 矩阵）。公式(1) 的完整写法：

[
A
11
A
12
…
A
1
n
A
21
A
22
…
A
2
n
⋮
⋱
⋮
A
n
1
A
n
2
…
A
n
n
]
[
x
1
x
2
⋮
x
n
]
=
[
b
1
b
2
⋮
b
n
]
\begin{bmatrix} A_{11} & A_{12} & \dots & A_{1n} \\[0.5em] A_{21} & A_{22} & \dots & A_{2n} \\[0.5em] \vdots & & \ddots & \vdots \\[0.5em] A_{n1} & A_{n2} & \dots & A_{nn} \\ \end{bmatrix} \begin{bmatrix} x_1 \\[0.5em] x_2 \\[0.5em] \vdots \\[0.5em] x_n \end{bmatrix} = \begin{bmatrix} b_1 \\[0.5em] b_2 \\[0.5em] \vdots \\[0.5em] b_n \end{bmatrix}
⎣⎢⎢⎢⎢⎢⎡​A11​A21​⋮An1​​A12​A22​An2​​……⋱…​A1n​A2n​⋮Ann​​⎦⎥⎥⎥⎥⎥⎤​⎣⎢⎢⎢⎢⎢⎡​x1​x2​⋮xn​​⎦⎥⎥⎥⎥⎥⎤​=⎣⎢⎢⎢⎢⎢⎡​b1​b2​⋮bn​​⎦⎥⎥⎥⎥⎥⎤​

$\bullet$ 两个向量的内积（inner product）写成
x
T
y
x^{T}y
xTy，可以用标量的和
∑
i
=
1
n
x
i
y
i
\sum^{n}_{i=1} x_i y_i
∑i=1n​xi​yi​ 来表示。

   注意这里
x
T
y
=
y
T
x
x^T y = y^T x
xTy=yTx。 如果 $x$ 和 $y$ 是正交（orthogonal）的，则
x
T
y
=
x^T y = 0
xTy=0。

x
T
y
=
y
T
x
=
∑
i
=
1
n
x
i
y
i
x
T
y
=
（
正
交
）
x^{T}y = y^T x = \sum^{n}_{i=1} x_i y_i \\[0.5em]x^T y = 0 （正交）
xTy=yTx=i=1∑n​xi​yi​xTy=0（正交）

   一般来说，这些运算会得到 $1\times 1$ 的矩阵。像
x
T
y
x^T y
xTy 和
x
T
A
x
x^T A x
xTAx 这种，运算结果是一个标量值。

$\bullet$ 对于任意非零向量 $x$，如果下面的 公式(2) 成立，则矩阵 $A$ 是正定（positive-definite）的：

x
T
A
x
>
(2)
x^T A x > 0 \tag{2}
xTAx>0(2)    这可能对你来说没什么意义，但是不要感到难过。
   因为它不是一种很直观的概念，很难去想像一个正定和非正定的矩阵看起来有什么不同。
   当我们看到它怎么对二次型的造成影响时，你就会对“正定”产生感觉了。

$\bullet$ 最后，还有一些基本的定义：

(
A
B
)
T
=
B
T
A
T
(
A
B
)
−
1
=
B
−
1
A
−
1
(AB)^T = B^T A^T \\[0.5em] (AB)^{-1} = B^{-1} A^{-1}
(AB)T=BTAT(AB)−1=B−1A−1

3. The Quadratic Form（二次型）

二次型（quadratic form）简单来说是一个标量。
一个向量的二次型方程具有以下形式：

f
(
x
)
=
1
2
x
T
A
x
−
b
T
x
+
c
(3)
f(x) = \frac{1}{2} x^T A x - b^T x + c \tag{3}
f(x)=21​xTAx−bTx+c(3)

其中 $A$ 是一个矩阵，$b$ 是一个向量，$c$ 是一个标量常数。

如果 $A$ 是对称（symmetric） 且正定（positive-definite），则 $f(x)$ 的最小化问题等同于求解 $Ax=b$。

本文的所有例子都基于下面的值来讲解：

A
=
[
3
2
2
6
]
，
b
=
[
2
−
8
]
，
c
=
(4)
A = \begin{bmatrix} 3 & 2 \\ 2 & 6 \end{bmatrix}， \quad b = \begin{bmatrix} 2 \\ -8 \end{bmatrix}， \quad c=0 \tag{4}
A=[32​26​]，b=[2−8​]，c=0(4)

可以把 (4) 代入 (3) 得到：

f
(
x
)
=
1
2
⋅
[
x
1
x
2
]
[
3
2
2
6
]
[
x
1
x
2
]
−
[
2
−
8
]
⋅
[
x
1
x
2
]
+
=
1
2
⋅
[
x
1
x
2
]
[
3
x
1
+
2
x
2
2
x
1
+
6
x
2
]
−
(
2
x
1
−
8
x
2
)
=
1
2
⋅
(
x
1
(
3
x
1
+
2
x
2
)
+
x
2
(
2
x
1
+
6
x
2
)
)
−
2
x
1
+
8
x
2
=
3
2
x
1
2
+
3
x
2
2
+
2
x
1
x
2
−
2
x
1
+
8
x
2
\begin{aligned} f(x) &= \dfrac{1}{2} \cdot \begin{bmatrix} x_1 & x_2 \end{bmatrix} \begin{bmatrix} 3 & 2 \\[0.5em] 2 & 6 \end{bmatrix} \begin{bmatrix} x_1 \\[0.5em] x_2 \end{bmatrix} - \begin{bmatrix} 2 & -8 \end{bmatrix} \cdot \begin{bmatrix} x_1 \\[0.5em] x_2 \end{bmatrix} + 0 \\[1.5em] &= \dfrac{1}{2} \cdot \begin{bmatrix} x_1 & x_2 \end{bmatrix} \begin{bmatrix} 3x_1 + 2x_2 \\[0.5em] 2x_1 + 6x_2 \end{bmatrix} - (2x_1 - 8x_2) \\[1.5em] &= \dfrac{1}{2} \cdot {\Large(} x_1\left( 3x_1+ 2x_2 \right) + x_2 \left( 2x_1 + 6x_2\right) {\Large)} - 2x_1 + 8x_2 \\[1.5em] &= \frac{3}{2}x_1^2 + 3x_2^2 + 2x_1 x_2 -2x_1 + 8x_2 \end{aligned}
f(x)​=21​⋅[x1​​x2​​][32​26​][x1​x2​​]−[2​−8​]⋅[x1​x2​​]+0=21​⋅[x1​​x2​​][3x1​+2x2​2x1​+6x2​​]−(2x1​−8x2​)=21​⋅(x1​(3x1​+2x2​)+x2​(2x1​+6x2​))−2x1​+8x2​=23​x12​+3x22​+2x1​x2​−2x1​+8x2​​
所以二次型其实是 $n$ 个变量的二次齐次多项式。
再举一个例子，当有 $3$ 个变量时，二次型大概像这样子：
a
x
1
2
+
b
x
2
2
+
c
x
3
2
+
d
x
1
x
2
+
e
x
1
x
3
+
f
x
2
x
3
+
g
ax_1^2 + bx_2^2 + cx_3^2 + dx_1 x_2 + ex_1 x_3 + fx_2 x_3 + g
ax12​+bx22​+cx32​+dx1​x2​+ex1​x3​+fx2​x3​+g

方程组 $Ax=b$ 如图(1)所示。
通常来说，方程的解 $x$ 处于 $n$ 维超平面相交的地方，这些相交的位置维度是 $n-1$。
（直线相交于点，平面相交于线，$3$ 维相交于面，$\dots$）。

(图1)

对于 $Ax=b$ 这个问题 ，方程的解
x
=
[
2
,
−
2
]
T
x= [2, -2]^T
x=[2,−2]T，也就是 图(1) 两条直线的交点。

对应的二次型
f
(
x
)
=
1
2
x
T
A
x
−
b
T
x
+
c
f(x) = \frac{1}{2} x^T A x - b^T x + c
f(x)=21​xTAx−bTx+c ，它的曲线如图(2)所示。

$Ax=b$ 的解是 $f(x)$ 的最小值的点。

(图2)

$f(x)$ 的等高线（contour plot）如图(3)所示。

(图3)

由于 $A$ 是正定的，所以函数 $f(x)$ 的形状是一个抛物碗状。

二次型的梯度（gradient）由以下式子而来：

f
′
(
x
)
=
[
∂
∂
x
1
f
(
x
)
∂
∂
x
2
f
(
x
)
⋮
∂
∂
x
n
f
(
x
)
]
(5)
f'(x)= \begin{bmatrix} \dfrac{\partial}{\partial x_1} f(x) \\[1em] \dfrac{\partial}{\partial x_2} f(x) \\[1em] \vdots \\[1em] \dfrac{\partial}{\partial x_n} f(x) \end{bmatrix} \tag{5}
f′(x)=⎣⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎡​∂x1​∂​f(x)∂x2​∂​f(x)⋮∂xn​∂​f(x)​⎦⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎤​(5)

梯度是一个向量场，对于每一个点 $x$，它指向 $f(x)$ 增大得最快的方向。
图(4) 展示了 式子(3) 的梯度，其中具体的参数如 式子(4) 所示。

(图4)

在碗状的底部，梯度为 $0$。因此令
f
′
(
x
)
=
f'(x)=0
f′(x)=0 可以最小化 $f(x)$。

应用 式子(5) 来求导，可以得到：
f
′
(
x
)
=
1
2
A
T
x
+
1
2
A
x
−
b
(6)
f'(x) = \dfrac{1}{2} A^T x + \dfrac{1}{2}Ax - b \tag{6}
f′(x)=21​ATx+21​Ax−b(6) 如果 $A$ 是对称的，式子会被化简为
f
′
(
x
)
=
A
x
−
b
(7)
f'(x) = Ax-b\tag{7}
f′(x)=Ax−b(7)因为此时
A
T
=
A
A^T = A
AT=A。

梯度设为 $0$，就能得到 式子(1)，也就是我们要求解的线性方程组。
$Ax=b$ 的解就是 $f(x)$ 的关键点。如果 $A$ 是正定且对称的，则这个解能使 $f(x)$ 最小化。

所以， $Ax=b$ 的解 $x$ 能使 $f(x)$ 最小。
如果 $A$ 不是 正定 的，从 式子(6) 可知用 CG 可以求解方程组
1
2
(
A
T
+
A
)
x
=
b
\dfrac{1}{2} (A^T + A)x=b
21​(AT+A)x=b 。$($ 因为
1
2
(
A
T
+
A
)
\dfrac{1}{2} (A^T + A)
21​(AT+A) 是对称的 $)$

【附录C1】
假设 $A$ 是对称的。
令 $x$ 满足 $Ax=b$，并且能使二次型（式子(3)） 最小；
令 $e$ 为误差项；
则：

f
(
x
+
e
)
=
1
2
(
x
+
e
)
T
A
(
x
+
e
)
−
b
T
(
x
+
e
)
+
c
=
1
2
x
T
A
x
+
e
T
A
x
+
1
2
e
T
A
e
−
b
T
x
−
b
T
e
+
c
=
1
2
x
T
A
x
+
e
T
b
+
1
2
e
T
A
e
−
b
T
x
−
b
T
e
+
c
=
1
2
x
T
A
x
−
b
T
x
+
c
+
e
T
b
+
1
2
e
T
A
e
−
b
T
e
=
f
(
x
)
+
1
2
e
T
A
e
\begin{aligned} f(x+e) &= \frac{1}{2}(x+e)^{T} A (x+e) - b^{T} (x+e) + c \\[0.5em] &= \frac{1}{2}x^{T}Ax + e^{T}Ax + \frac{1}{2}e^TAe - b^T x - b^T e + c \\[0.5em] &= \frac{1}{2}x^{T}Ax + e^{T}b + \frac{1}{2}e^TAe - b^T x - b^T e + c \\[0.5em] &= \frac{1}{2}x^{T}Ax - b^T x + c + e^{T}b + \frac{1}{2}e^TAe - b^T e \\[0.5em] &= f(x) + \frac{1}{2}e^T A e \end{aligned}
f(x+e)​=21​(x+e)TA(x+e)−bT(x+e)+c=21​xTAx+eTAx+21​eTAe−bTx−bTe+c=21​xTAx+eTb+21​eTAe−bTx−bTe+c=21​xTAx−bTx+c+eTb+21​eTAe−bTe=f(x)+21​eTAe​
如果 $A$ 是正定的，则对于任意 $e\ne 0$ 有
1
2
e
T
A
e
>
\dfrac{1}{2}e^T A e >0
21​eTAe>0，因此 $x$ 能最小化 $f$。

为什么 对称 且 正定 的矩阵有这样的性质？ 可以考虑函数 $f$ 上任意一点 $p$ ，和它的解
x
=
A
−
1
b
x=A^{-1} b
x=A−1b 之间的关系。

如果 A 是对称的（无论正定与否），由 式子(3) 和 附录C1，令 $e=p-x$ 可得：
f
(
p
)
=
f
(
x
)
+
1
2
(
p
−
x
)
T
A
(
p
−
x
)
(8)
f(p) = f(x) + \dfrac{1}{2} (p-x) ^T A (p-x) \tag{8}
f(p)=f(x)+21​(p−x)TA(p−x)(8)

如果此时 $A$ 又能正定的话，由 式子(2) 得知对于任意 $p\ne x$ 有
1
2
(
p
−
x
)
T
A
(
p
−
x
)
>
\dfrac{1}{2} (p-x) ^T A (p-x) >0
21​(p−x)TA(p−x)>0，所以一定有 $f(p)>f(x)$，所以 $x$ 是全局最小。

正定（positive-definite） 矩阵到底意味着什么？最直观的感受就是，$f(x)$ 的图形是一个碗状。
如果 $A$ 是 非正定 的，那么有以下几种可能：

(图5)

$\bullet$ 负定（negative-definite）矩阵。相当于对正定取反，如 图(5)b。
$\bullet$ 奇异（singular）矩阵。这种情况下解不是唯一的，如 图(5)c。解集是一条直线或者超平面，在那里 $f$ 具有相同的值。
$\bullet$ 如果矩阵 $A$ 不属于以上情况，那么 $x$ 是一个鞍点（saddle point），最速下降法 和 共轭梯度法 都将失效。

式(3) 中的 $b$ 和 $c$ 决定碗状的极小值在哪里，但不影响抛物面的形状。

为什么要把线性方程组弄得这么麻烦？
因为下面要讲的 最速下降法 和 共轭梯度法 ，需要基于 图(2) 这种最小化问题，才能进行直观的理解。
而不是研究 图(1) 这种超平面的相交的问题。
（即，把问题转成求 极小值，而不是 找交点）

4. The Method of Steepest Descent（最速下降法）

或者叫最陡下降。

我们会从任意点
x
(
)
x_{(0)}
x(0)​ 开始，滑到碗状面的底部。我们会走到
x
(
1
)
，
x
(
2
)
，
…
x_{(1)}， x_{(2)}，\dots
x(1)​，x(2)​，…，直到足够接近方程的解 $x$。
每走一步的时候，我们要选择 $f$ 下降最快的方向，也就是
f
′
(
x
(
i
)
)
f'(x_{(i)})
f′(x(i)​) 的反方向。
根据 式子(7)，这个方向就是
−
f
′
(
x
(
i
)
)
=
b
−
A
x
(
i
)
-f'(x_{(i)}) = b- Ax_{(i)}
−f′(x(i)​)=b−Ax(i)​。

这里再引入一些定义：

$\bullet$ 误差（error）
e
(
i
)
=
x
(
i
)
−
x
e_{(i)} = x_{(i)} - x
e(i)​=x(i)​−x。
   表示与 解 有多远。（这个解叫做 精确解（exact solution））

$\bullet$ 残差（residual）
r
(
i
)
=
b
−
A
x
(
i
)
r_{(i)} = b - Ax_{(i)}
r(i)​=b−Ax(i)​。
   表示与正确值 $b$ 有多远。

容易发现，残差 可以由 误差 变换得来： $\bullet$  
r
i
=
−
A
e
(
i
)
r_{i} = -Ae_{(i)}
ri​=−Ae(i)​。

误差反映的是变量的层面，残差描述的是函数值的层面，所以通过 $A$ 从变量空间转换到函数值的空间。

更重要的是：
r
i
=
−
f
′
(
x
(
i
)
)
r_{i} = - f'(x_{(i)})
ri​=−f′(x(i)​) 你可以认为 残差
r
i
r_i
ri​ 是 最陡下降的方向 （原函数的导数的反方向）。
（这里也很容易理解，因为向量是有方向的，它反映了函数值和真实值之间的距离，同时方向也指向真实值）
   对于非线性问题，我们用的就是这一种定义。
   所以每当你看到残差 $r$，请记住它是最速下降的方向。

假设我们从
x
(
)
x_{(0)}
x(0)​ 开始，
x
(
)
=
[
−
2
,
−
2
]
T
x_{(0)} = [-2, -2]^T
x(0)​=[−2,−2]T。

(图6)

第 $1$ 步，我们沿着最陡方向走 $1$ 步，落在 图(6)a 中的实线的某处。
换句话来讲，我们会选择这样一个点：
x
(
1
)
=
x
(
)
+
α
r
(
)
(9)
x_{(1)} = x_{(0)}+ \alpha r_{(0)} \tag{9}
x(1)​=x(0)​+αr(0)​(9)问题是，这一步要迈多大呢？（可以把 $\alpha$ 看做学习率）

线搜索（line search）是这样一种过程：沿着一条线选择一个 $\alpha$，使得 $f$ 最小化。
图(6)b ：竖直平面和碗状曲面相交于一条横切线，我们要的点在这条线上。
图(6)c ：是这条横切线（从这个视角来看是抛物线）。那么在抛物线的底部，$\alpha$ 的值是多少呢？

由基本推导有，当方向导数（directional derivative）
d
d
α
f
(
x
(
1
)
)
=
\dfrac{d}{d\alpha} f(x_{(1)})=0
dαd​f(x(1)​)=0 时，$\alpha$ 能使 $f$ 最小。

根据链式求导法则：
d
d
α
f
(
x
(
1
)
)
=
f
′
(
x
(
1
)
)
T
d
d
α
x
(
1
)
=
f
′
(
x
(
1
)
)
T
r
(
)
\dfrac{d}{d\alpha} f(x_{(1)})=f'(x_{(1)})^T \dfrac{d}{d\alpha}x_{(1)} =f'(x_{(1)})^T r_{(0)}
dαd​f(x(1)​)=f′(x(1)​)Tdαd​x(1)​=f′(x(1)​)Tr(0)​。

（关于求导的方法可以看[这里]或者[这里]）
为什么
d
d
α
x
(
1
)
=
r
(
)
\dfrac{d}{d\alpha}x_{(1)} = r_{(0)}
dαd​x(1)​=r(0)​，因为根据 式子(9) 有
x
(
1
)
=
x
(
)
+
α
r
(
)
x_{(1)} = x_{(0)}+ \alpha r_{(0)}
x(1)​=x(0)​+αr(0)​，把
x
(
1
)
x_{(1)}
x(1)​ 代进去。

令这条式子为 $0$，我们会发现这个 $\alpha$ 应该使
r
(
)
r_{(0)}
r(0)​ 和
f
′
(
x
(
1
)
)
f'(x_{(1)})
f′(x(1)​) 正交。见 图(6)d。

所以，为什么我们期望这些向量正交，这就是最直观的原因 。☝↑☝

(图7)

图(7) 展示了搜索线上不同点的梯度向量。虚线是这些梯度向量在搜索线上的投影。这些虚线的大小等同于 图(6)c 中抛物线上每个点的斜率。这些投影表示当你在这条搜索线上移动时，$f$ 的增长率。当投影为 $0$ 时，$f$ 最小，此时的 梯度 和 搜索线 正交。

为了确定 $\alpha$，由于又有
f
′
(
x
(
1
)
)
=
−
r
(
1
)
f'(x_{(1)}) = -r_{(1)}
f′(x(1)​)=−r(1)​，于是有：

r
(
1
)
T
r
(
)
=
(
b
−
A
x
(
1
)
)
T
r
(
)
=
(
b
−
A
(
x
(
)
+
α
r
(
)
)
)
T
r
(
)
=
(
b
−
A
x
(
)
)
T
r
(
)
−
α
(
A
r
(
)
)
T
r
(
)
=
(
b
−
A
x
(
)
)
T
r
(
)
=
α
(
A
r
(
)
)
T
r
(
)
r
(
)
T
r
(
)
=
α
r
(
)
T
(
A
r
(
)
)
α
=
r
(
)
T
r
(
)
r
(
)
T
A
r
(
)
\begin{aligned} r^T_{(1)} r_{(0)} & =0 \\ (b- Ax_{(1)})^T r_{(0)} &= 0 \\ {\large(} b - A(x_{(0)} + \alpha r_{(0)}) {\large)}^T r_{(0)} &= 0 \\ (b-Ax_{(0)})^T r_{(0)} - \alpha (Ar_{(0)})^Tr_{(0)} &= 0 \\ (b-Ax_{(0)})^T r_{(0)} &= \alpha (Ar_{(0)})^T r_{(0)} \\ r^T_{(0)} r_{(0)} &= \alpha r^T_{(0)} (Ar_{(0)}) \\ \alpha &= \dfrac{r^T_{(0)} r_{(0)}}{r^T_{(0)} A r_{(0)}} \end{aligned}
r(1)T​r(0)​(b−Ax(1)​)Tr(0)​(b−A(x(0)​+αr(0)​))Tr(0)​(b−Ax(0)​)Tr(0)​−α(Ar(0)​)Tr(0)​(b−Ax(0)​)Tr(0)​r(0)T​r(0)​α​=0=0=0=0=α(Ar(0)​)Tr(0)​=αr(0)T​(Ar(0)​)=r(0)T​Ar(0)​r(0)T​r(0)​​​

结合起来，最陡下降法（Steepest Descent）就是：

r
(
i
)
=
b
−
A
x
(
i
)
，
(10)
r_{(i)} = b - A x_{(i)} ，\tag{10}
r(i)​=b−Ax(i)​，(10)
α
(
i
)
=
r
(
i
)
T
r
(
i
)
r
(
i
)
T
A
r
(
i
)
，
(11)
\alpha_{(i)} = \frac{r^T_{(i)}r_{(i)}}{r^T_{(i)}Ar_{(i)}}，\tag{11}
α(i)​=r(i)T​Ar(i)​r(i)T​r(i)​​，(11)
x
(
i
+
1
)
=
x
(
i
)
+
α
(
i
)
r
(
i
)
.
(12)
x_{(i+1)} = x_{(i)} + \alpha_{(i)}r_{(i)}. \tag{12}
x(i+1)​=x(i)​+α(i)​r(i)​.(12)

(图8)

如 图(8) 所示，一直迭代，直到收敛。
由于每一次的梯度都和上一次的正交，所以这个路径呈“之”字型。

上面的算法，要在每轮迭代中做两次矩阵-向量的乘法，不过好在有一个可以被消掉。
在 式子(12) 两边同时左乘 $-A$，再加 $b$，得：

r
(
i
+
1
)
=
r
(
i
)
−
α
(
i
)
A
r
(
i
)
(13)
r_{(i+1)} = r_{(i)}-\alpha_{(i)}Ar_{(i)} \tag{13}
r(i+1)​=r(i)​−α(i)​Ar(i)​(13)
尽管 式子(10) 仍然要算一次
r
(
)
r_{(0)}
r(0)​，不过之后每轮迭代都可以用 式子(13) 了。
式子(11) 和 式子(13) 中的乘法 $Ar$ 只需要被计算一次。

这个迭代的缺点是， 公式(13) 生成的序列没有从
x
(
i
)
x_{(i)}
x(i)​ 的值里得到任何回馈。因此对浮点舍入造成的累积误差会使
x
(
i
)
x_{(i)}
x(i)​ 收敛至 $x$ 附近的点，而无法真正地收敛到 $x$。这种影响可以通过周期性地使用 式子(10) 来重新计算正确的残差来避免。

在分析最陡下降的收敛性之前，还要先讲一下特征向量（eigenvectors）的知识，确保你对特征向量有深刻的理解。

5. Thinking with Eigenvectors and Eigenvalues（特征向量和特征值的思考）

上完线性代数课程后，我对特征向量和特征值了如指掌。如果你的老师和我一样，你会记得自己解决了一些关于特征值的问题，但你从来没有真正理解过它们。不幸的是，如果没有对它们的直观理解，CG 也没有意义。如果你已经很有天赋，可以跳过这一节。

特征向量（eigenvectors）主要用来当做分析工具，最陡下降法和共轭梯度法不用计算特征向量的特征值。

5.1 Eigen do it if I try

矩阵 $B$ 的特征向量 $v$ 是一个非零的向量，用 $B$ 乘以它的时候，不会发生旋转（只可能掉头）。
特征向量 $v$ 的长度可能会变，或者反方向，但不会转。

也就是说，存在一些标量常数 $\lambda$ 使得 $Bv=\lambda v$。
$\lambda$ 就是 $B$ 的特征值（eigenvalue）。

为什么要讲这个，因为迭代法通常会用 $B$ 一次又一次地乘上特征向量，而这时只会发生两种情况：

(1) 如果特征值 $|\lambda |<1$，随着 $i$ 的迭代，
B
i
v
=
λ
i
v
B^iv = \lambda^i v
Biv=λiv 会消失。（如 图(9)）

(图9)

(2) 如果特征值 $|\lambda |>1$，随着 $i$ 的迭代，
B
i
v
B^iv
Biv 会增大到无穷。（如 图(10)）

(图10)

如果 $B$ 是对称的（然而一般都不是），一般会存在一组 $n$ 个线性无关的特征向量：
v
1
,
v
2
,
…
,
v
n
v_1, v_2, \dots, v_n
v1​,v2​,…,vn​ 。
这组向量不是唯一的，因为可以用任意的非零常数对它们缩放。

每个特征向量都有对应的特征值：
λ
1
,
λ
2
,
…
,
λ
n
\lambda_1, \lambda_2, \dots, \lambda_n
λ1​,λ2​,…,λn​。
对于确定的矩阵，特征值是唯一的。
特征值可能彼此相等，也可能不相等，例如单位矩阵 $I$ 的特征值都是 $1$，所有非零向量都是 $I$ 的特征向量。

如果 $B$ 乘以一个向量，而该向量不是特征向量呢？
在理解线性代数时有一个非常重要的技巧：把该向量拆成 多个向量的和 ，这些多个向量特性是已知的。

考虑一组特征向量
{
v
i
}
\{v_i\}
{vi​}，构成 $n$ 维空间
R
n
\mathbb{R}^n
Rn 的基（因为对称矩阵 $B$ 有 $n$ 个线性无关的特征向量）。
在该空间中其它任意的 $n$ 维向量都可以用
{
v
i
}
\{v_i\}
{vi​} 的线性组合来表示。
由于矩阵-向量的乘法满足 分配律，所以可以分别检查 $B$ 对每个特征向量的影响。

(图11)

在 图(11) 中，向量 $x$ 被表示为特征向量
v
1
v_1
v1​ 和
v
2
v_2
v2​ 的和。
用 $B$ 乘以 $x$，等价于分别乘以
v
1
v_1
v1​ 和
v
2
v_2
v2​ 再加起来。
在迭代过程中有
B
i
x
=
B
i
v
1
+
B
i
v
2
=
λ
1
i
v
1
+
λ
2
i
v
2
B^i x = B^i v_1 + B^i v_2 = \lambda_1^i v_1 + \lambda_2^i v_2
Bix=Biv1​+Biv2​=λ1i​v1​+λ2i​v2​。

如果特征值都小于 $1$，
B
i
x
B^ix
Bix 会收敛至 $0$，因为迭代地乘 $B$ 后，组成 $x$ 的特征向量都趋于 $0$ 了。
如果其中一个特征值大于 $1$，$x$ 将发散至无穷。

这也是为什么做数值分析的很重视一个矩阵的光谱半径（spectral radius）：
ρ
(
B
)
=
max
⁡
∣
λ
i
∣
,
λ
i
 is an eigenvalue of 
B
\rho(B) = \max | \lambda_i|, \qquad \lambda_i \text{ is an eigenvalue of } B
ρ(B)=max∣λi​∣,λi​ is an eigenvalue of B

如果我们希望 $x$ 快速收敛到 $0$，$\rho (B)$ 应当小于 $1$，越小越好。

值得一提的是，存在一类非对称矩阵，不具备完整的 $n$ 个线性无关特征向量。
这类矩阵被称为缺陷矩阵（defective）。关于它的细节很难在本文讲清楚，不过可以通过广义特征向量（generalized eigenvectors）和 广义特征值（generalized eigenvalues）来分析缺陷矩阵的性质。
B
i
x
B^ix
Bix 趋于 $0$ 的条件是：当且仅当所有广义特征值都于 $1$。但这个证明起来很难。

下面是一个有用的事实：正定矩阵的特征值都是正数。
可以用特征值的定义来证明：
B
v
=
λ
v
v
T
B
v
=
λ
v
T
v
\begin{aligned} Bv &= \lambda v \\ v^T Bv &= \lambda v^Tv\end{aligned}
BvvTBv​=λv=λvTv​
根据正定矩阵的定义，对于非零向量 $v$，有
v
T
B
v
v^TBv
vTBv 是正数，而
v
T
v
=
v
1
2
+
v
2
2
+
⋯
+
v
n
2
>
v^Tv=v_1^2 + v_2^2 + \dots + v_n^2 > 0
vTv=v12​+v22​+⋯+vn2​>0，所以 $\lambda$ 必须大于为正。

5.2 Jacobi iterations（雅克比迭代）

当然，总是收敛到 $0$ 的过程不会帮助你吸引到朋友。
考虑一个更有用的过程：用雅克比（Jacobi Method）方法求解 $Ax=b$ 。

矩阵 $A$ 被拆成两部分：
(1) $D$，对角线上的元素与 $A$ 的对角线相同，其余部分为 $0$。
(2) $E$，对角线上的元素为 $0$，其余部分与 $A$ 相同。
于是 $A=D+E$。

我们推导出雅克比法：

A
x
=
b
D
x
=
−
E
x
+
b
x
=
−
D
−
1
E
x
+
D
−
1
b
x
=
B
x
+
z
(14)
\begin{aligned} Ax &= b \\ Dx &= -Ex+b \\ x &= -D^{-1}Ex + D^{-1}b \\ x &= Bx+z \end{aligned} \tag{14}
AxDxxx​=b=−Ex+b=−D−1Ex+D−1b=Bx+z​(14)

其中

B
=
−
D
−
1
E
B =-D^{-1}E
B=−D−1E，

z
=
D
−
1
b
z=D^{-1}b
z=D−1b

由于 $D$ 是对角矩阵，很容易求逆。

可以通过下面的递归式，把 式子(14) 的恒等式转为迭代法：
x
(
i
+
1
)
=
B
x
(
i
)
+
z
(15)
x_{(i+1)} = Bx_{(i)} + z \tag{15}
x(i+1)​=Bx(i)​+z(15)

给定起始向量
x
(
)
x_{(0)}
x(0)​，这条公式生成了一序列的向量。我们希望每个连续的向量都比最后一个更接近解 $x$。
$x$ 称为 式子(15) 的驻点（stationary point）。因为，如果
x
(
i
)
=
x
x_{(i)} = x
x(i)​=x，则
x
(
i
+
1
)
x_{(i+1)}
x(i+1)​ 总是等于 $x$。（也就是到达 $x$ 之后，再迭代也不动了）

是的，这个推导可能对你来说过于直接。
除了 式子(14) 以外，我们其实可以为 $x$ 形成任意数量的恒等式。
事实上，简单地把 $A$ 分成不同的东西，即选择不同的 $D$ 和 $E$，我们可以推导出高斯-赛德尔（ Gauss-Seidel method）方法，或者其变种：SOR（ Successive Over-Relaxation）。我们希望的是，所选择的矩阵使 $B$ 具有小的光谱半径。所以为了简单起见，这里直接选择了雅克比切法。

假设我们从任意的
x
(
)
x_{(0)}
x(0)​ 出发。对于每次迭代，用 $B$ 乘以这个向量，然后加上 $z$。到底每次迭代在做什么呢？

同样地，我们可以把一个向量看成是多个已知向量的和。
把每次迭代
x
(
i
)
x_{(i)}
x(i)​ 当做是精确解 $x$ 和误差项
e
(
i
)
e_{(i)}
e(i)​ 的和。于是 式子(15) 就变成了：

x
(
i
+
1
)
=
B
x
(
i
)
+
z
=
B
(
x
+
e
(
i
)
)
+
z
=
B
x
+
z
+
B
e
(
i
)
=
x
+
B
e
(
i
)
(by Eauation 14)
\begin{aligned} x_{(i+1)} &= Bx_{(i)} + z \\ &= B(x+ e_{(i)}) + z \\ &= Bx + z + Be_{(i)} \\ &= x + Be_{(i)} \qquad \text{(by Eauation 14)} \end{aligned}
x(i+1)​​=Bx(i)​+z=B(x+e(i)​)+z=Bx+z+Be(i)​=x+Be(i)​(by Eauation 14)​
∴
e
(
i
+
1
)
=
B
e
(
i
)
(16)
\therefore e_{(i+1)} = Be_{(i)} \tag{16}
∴e(i+1)​=Be(i)​(16)

每次迭代都不影响
x
(
i
)
x_{(i)}
x(i)​ 的 “正确部分”（因为 $x$ 是一个驻点）；但每次迭代影响误差项。
显然，由 式子(16) 得知，如果 $\rho (B)<1$，则随着 $i$ 的增大，
e
(
i
)
e_{(i)}
e(i)​ 将趋于 $0$。
因此，初始向量
x
x_0
x0​ 不会影响必将出现的结果！

当然，
x
(
)
x_{(0)}
x(0)​ 的选择会影响迭代次数。然而，这种影响远远小于光谱半径 $\rho (B)$ 的影响，是它决定了收敛的速度。
假设
v
j
v_j
vj​ 是 $B$ 的特征向量，对应的特征值是最大的（即
ρ
(
B
)
=
λ
j
\rho(B) = \lambda_j
ρ(B)=λj​）。
如果初始误差
e
(
)
e_{(0)}
e(0)​ 用特征向量的线性组合来表示，它的成分中包含
v
j
v_j
vj​ 的方向，这部分将会是收敛得最慢的。（因为
v
j
v_j
vj​ 对应的特征值是
λ
j
\lambda_j
λj​，
λ
j
\lambda_j
λj​ 是所有特征值里面最大的，所以
v
j
v_j
vj​ 缩小的最慢，所以这个方向收敛得很慢）

$B$ 通常都不是对称的（就算 $A$ 是对称的），还可能是缺陷矩阵。然而，雅克比方法的收敛速度很大程度上取决于 $\rho (B)$，而 $B$ 又是由 $A$ 决定的。雅克比方法不能对所有的 $A$ 收敛，即使是正定的 $A$。

5.3 A Concrete Example（一个具体例子）

为了证明这些想法，我来求解由 式子(4) 指定的实例。
首先，我们需要求解特征向量和特征值。
根据定义，对于具有特征值 $\lambda$ 的特征向量 $v$，有：$$Av=\lambda v=\lambda Iv(\lambda I-A)v=0$$
由于特征向量非零，则 $\lambda I-A$ 一定是奇异矩阵，所以：$$\det (\lambda I-A)=0$$

$\lambda I-A$ 的行列式称为特征多项式（characteristic polynomial），是 $\lambda$ 的 $n$ 次多项式，其平方项都是特征值。
代入 式子(4) 的值，则 $A$ 的特征多项式为：
det
⁡
[
λ
−
3
−
2
−
2
λ
−
6
]
=
λ
2
−
9
λ
+
14
=
(
λ
−
7
)
(
λ
−
2
)
\det \begin{bmatrix} \lambda - 3 & -2 \\ -2 & \lambda - 6 \end{bmatrix} = \lambda^2 - 9\lambda + 14 = (\lambda -7)(\lambda - 2)
det[λ−3−2​−2λ−6​]=λ2−9λ+14=(λ−7)(λ−2)

因此特征值为
λ
1
=
7
\lambda_1 = 7
λ1​=7，
λ
2
=
2
\lambda_2 = 2
λ2​=2。（有两个特征向量）

第 $1$ 个特征向量：
为了找到到关于
λ
1
\lambda_1
λ1​ 的特征向量：
(
λ
1
I
−
A
)
v
=
[
4
−
2
−
2
1
]
[
v
1
v
2
]
=
∴
4
v
1
−
2
v
2
=
(\lambda_1 I - A)v = \begin{bmatrix} 4 & -2 \\ -2 & 1 \end{bmatrix} \begin{bmatrix} v_1 \\ v_2 \end{bmatrix} = 0 \\[1.5em] \therefore 4v_1 - 2v_2 = 0
(λ1​I−A)v=[4−2​−21​][v1​v2​​]=0∴4v1​−2v2​=0

4
v
1
−
2
v
2
=
4v_1 - 2v_2 = 0
4v1​−2v2​=0 的解就是一个特征向量：
v
=
[
1
,
2
]
T
v=[1,2]^T
v=[1,2]T。

即
λ
1
\lambda_1
λ1​ 的特征向量为
v
(
1
)
=
[
1
,
2
]
T
\pmb{v}_{(1)} =[1,2]^T
vvv(1)​=[1,2]T

第 $2$ 个特征向量：
同样地，可以找到
λ
2
\lambda_2
λ2​ 的特征向量为
v
(
2
)
=
[
−
2
,
1
]
T
\pmb{v}_{(2)} =[-2,1]^T
vvv(2)​=[−2,1]T

(图12)

在 图(12) 中，我们可以看到特征向量和椭圆的轴一致，特征值较大的那个特征向量对应更陡的斜坡（slope）。
（负的特征值表示 $f$ 沿着该轴减小，如 图(5)b 和 图(5)d ）

现在再来看实际中的雅克比方法。同样采用 式子(4) 中的数值，我们有：

x
(
i
+
1
)
=
−
[
1
3
1
6
]
[
2
2
]
x
(
i
)
+
[
1
3
1
6
]
[
2
−
8
]
=
[
−
2
3
−
1
3
]
x
(
i
)
+
[
2
3
−
4
3
]
\begin{aligned} x_{(i+1)} &= - \begin{bmatrix} \dfrac{1}{3} & 0 \\[0.5em] 0 &\dfrac{1}{6}\end{bmatrix} \begin{bmatrix} 0 & 2 \\[0.5em] 2 & 0 \end{bmatrix} x_{(i)} + \begin{bmatrix} \dfrac{1}{3} & 0 \\[0.5em] 0 &\dfrac{1}{6}\end{bmatrix} \begin{bmatrix} 2 \\[0.5em] - 8 \end{bmatrix} \\[2em] &= \begin{bmatrix} 0 & -\dfrac{2}{3} \\[0.5em] - \dfrac{1}{3} & 0 \end{bmatrix} x_{(i)} + \begin{bmatrix} \dfrac{2}{3} \\[1.5em] -\dfrac{4}{3}\end{bmatrix} \end{aligned}
x(i+1)​​=−⎣⎢⎡​31​0​061​​⎦⎥⎤​[02​20​]x(i)​+⎣⎢⎡​31​0​061​​⎦⎥⎤​[2−8​]=⎣⎢⎡​0−31​​−32​0​⎦⎥⎤​x(i)​+⎣⎢⎢⎡​32​−34​​⎦⎥⎥⎤​​

所以矩阵
B
=
[
−
2
3
−
1
3
]
B = \begin{bmatrix} 0 & -\dfrac{2}{3} \\[0.5em] - \dfrac{1}{3} & 0 \end{bmatrix}
B=⎣⎢⎡​0−31​​−32​0​⎦⎥⎤​，求解 $B$ 的特征值特征向量：

有对应于特征值
−
2
3
\dfrac{-\sqrt{2}}{3}
3−2​​ 的特征向量
[
2
,
1
]
T
[\sqrt{2}, 1]^T
[2​,1]T，对应于特征值
2
3
\dfrac{\sqrt{2}}{3}
32​​ 的特征向量
[
−
2
,
1
]
T
[-\sqrt{2}, 1]^T
[−2​,1]T。

这两个特征向量如 图(13)a 所示。
注意，$B$ 的特征向量与 $A$ 的特征向量不重合，与碗状面的轴也无关。

误差项 $e$ 表示为 $B$ 的特征向量的线性组合。而两个特征向量都小于 $1$，并且有一个是负的，所以迭代
B
e
(
i
)
Be_{(i)}
Be(i)​ 会使特征向量收敛到 $0$，同时其中一个特征向量的方向不断地反转，如 图(13)的c,d,e 所示。
误差项
e
(
i
)
e_{(i)}
e(i)​ 越来越小，则
x
(
i
)
x_{(i)}
x(i)​ 收敛于 $x$。
图(13)b 展示了雅克比方法的收敛情况。

(图13)