梯度下降

参考了Udacity的一个梯度下降pdf

理解梯度下降可以，先联想一下自己下山的过程。

我们下山的过程是怎样的？

想象一下下图红点下山的目标是什么，就是下到哪里？

为了让函数来理解如何下山，我们来回忆一下导数。

一个自变量的导数：

两个自变量的导数，这里求的是偏导数，即对某一变量求导：

可以来理解梯度了：

看下 梯度 怎么求：

（理解下求导后的负号）

一个简单的例子：

难一点的例子：

我们为什么关心梯度呢？

梯度 由对函数的各个变量求导得到，可以用来表示函数增加最快的方向，也就是变量往梯度方向改变，那么函数会增加最快。

梯度能够指示我们如何下山，忘哪个方向走的问题，梯度指示最快上山的方向，那么最快下山就是反方向了。

然后我们又会想，知道了方向，我们还需要知道走多大的步子，走到什么时候停止。回忆下，梯度是一个各个分量可能含有变量的向量，

如果向量的代入当前的坐标值时候，就可以用来指示当前增长最快的方向了，向量各个分量是一个值，那么给向量乘上一个系数就可以用来控制步长 。

需要注意的问题：

1、a是用来控制步长的，注意点就是a的大小。a过小可能很久都走不到最低点，a过大可能一下就跨过了最低点。所以我们可能需要找一些方法动态的控制a到合适的值。

2、梯度用到了导数，那么也就是说原函数要是可微的。如果像线性回归找最小cost函数的时候，加上绝对值时，要考虑是否可微。 这也是用平方来替代绝对值的原因。

让我们看两个例子加深理解：

一个参数的例子：

两个参数的例子：