关于梯度下降的理解

    这段时间，特别懵懵懂懂，每天跑网络但是不知道为什么这样做，总感觉是个黑盒子，想要慢慢把它原理弄清楚。

1、为什么梯度下降可以达到全局最优点？为什么朝着梯度的反方向下降是正确的方向？

    拿一个回归函数以及目标函数为例：

以均方误差作为目标函数(损失函数)

我们的目的是将损失函数的损失降到最低，这意味着我们的回归精度得到了提高。由拉格朗日中值定理

我们可以得到要使比f(x0)要小，我们就要使得为负值并且越大越好。随即，我们对损失函数进行求导：

参数沿着导数的方向移动，

ak为学习率，pk为方向向量，是梯度，沿着梯度的反方向下降是收敛最快的方向，因此沿着梯度的反方向下降会使得损失值变小，使得精度提高。