梯度下降是机器学习的优化算法中的一种，常用于机器学习和人工智能当中用来递归性地逼近最小偏差模型。
梯度的引入
[z=y^2-x^2
]
从公式中可以看出 ,当沿着x轴运动时，偏导数为(frac{partial z}{partial x})=-2x,与 y无关，当沿着 Y轴运动时， (frac{partial z}{partial y})=2y,与x轴无关。
梯度(
abla f =(frac{partial f}{partial x_1},frac{partial f}{partial x_2},......frac{partial f}{partial x_n}))
将函数f(x,y) = (−(cos^2x + cos^2y)^2)的梯度描绘为在底面上投影的向量场。可以看出，函数的增加与梯度的大小有关。
梯度下降公式：$$x = x-ηpartial f$$
看下图，一开始的时候我们随机站在一个点，把他看成一座山，每一步，我们都以下降最多的路线来下山，那么，在这个过程中我们到达山底（最优点）是最快的，而上面的η，它决定了我们“向下山走”时每一步的大小，过小的话收敛太慢，过大的话可能错过最小值）。这是一种很自然的算法，每一步总是寻找使x下降最“陡”的方向（就像找最快下山的路一样）。
随机梯度下降（SGD）与批量梯度算法
批量梯度下降是,求出一个维度中所有的数据,取个平均来当做每一次梯度下降的step.这样做虽然准确,但是每次要计算一个维度的所有数据的梯度,花费资源较大.所以才有了随机梯度下降的思想:每次只随机取一个维度中的一条数据求梯度
