Function 梯度下降和对数技巧的问题

我用梯度下降法最小化一个函数f（x），约束x为正

为此，我使用了日志技巧。我设置x=exp（y）。 然后我在每次迭代中更新y

y=对数x-学习率*梯度（f wrt y）

f wrt y的梯度=f wrt x*x的梯度

然而，我看到了奇怪的行为。当我不断迭代时，我发现当它达到某个点时，更新不会改善目标函数，而是保持接近。但是，如果我强制更新参数，即使它没有改善或最小化目标函数，而是增加了它，过了一段时间，它又开始很好地进一步降低目标函数

---

我的函数是凸的，所以没有可能导致这个问题的局部极小值。这与导致问题的日志技巧有关吗？

你有一个错误，

gradient\u of f\u wrt\u y=gradient\u of f\u wrt\u x*x

，而不是

gradient\u of y\u wrt\u x*x

。如果你不使用“日志技巧”，会发生什么？@AmitKumarGupta。我需要使参数为正，否则它将违反其他约束，例如正定性，并导致计算目标函数时出现问题。您可以发布您使用的代码吗？可能存在一些不知道的实现错误。