流形上的最速下降：3. Muon + Stiefel
原文中文，约13900字，阅读约需34分钟。
📝
内容提要
本文探讨了在正交约束下求解非方阵最速下降方向的方法，提出了一种基于迭代算法的解决方案，涉及矩阵谱范数和切空间的概念。通过数值算法和奇异值分解（SVD）技术，解决了优化问题，并比较了不同方法的效果。
🔎
延伸解读
正交约束的重要性
在优化过程中，正交约束确保了参数矩阵的稳定性和有效性。本文强调，若不定期施加正交化操作，计算精度可能会显著下降，导致结果偏离预期。因此，保持高精度计算（至少FP32）是至关重要的，尤其是在处理复杂的流形时。
数值算法的选择
文章中提到的数值算法和启发式方法各有优缺点。使用Scipy库中的函数可以简化计算过程，但在GPU计算时可能需要自定义实现。读者在选择算法时应考虑计算资源和精度要求，以便在效率和准确性之间找到平衡。
迭代算法的有效性
本文提出的迭代算法在求解非方阵最速下降方向时表现出色。通过与其他方法的比较，显示出其在大多数情况下能够接近最优解。读者在应用时应关注初值的选择，尽管算法对初值的敏感性较低，但合理的初值仍能加速收敛。
❓
Q&A
在正交约束下，如何求解非方阵的最速下降方向？
通过迭代算法和数值方法，结合矩阵谱范数和切空间的概念，可以求解非方阵的最速下降方向。
文章中提到的启发式求解方法有哪些？
文章提到的启发式求解方法包括交替投影法和线搜索法。
如何使用Scipy库简化Lyapunov方程的求解？
可以直接调用Scipy库中的函数scipy.linalg.solve_continuous_lyapunov来求解Lyapunov方程。
在迭代算法中，计算精度有多重要？
计算精度非常重要，建议使用FP32精度进行迭代，以避免偏离正交约束。
如何比较不同求解方法的效果？
通过数值实验，可以比较不同方法在求解最速下降方向时的效果和准确性。
在什么情况下会遇到求解困难？
当n大于m时，求解会变得困难，因为此时无法简单地吸收矩阵，且没有显式解。
🏷️
