牛顿法用到了目标函数的1、2阶导数，可能会更高效。
1.思想：构造目标函数的近似函数：
1.2泰勒展开到二阶，可以得到函数f(x)的近似函数：
1.3对近似函数q(x)求极小值，得到迭代形式：
1.4流程：
2.二次型中牛顿法
二次型中，牛顿法只需一次迭代即可从任意初始点x(0)收敛到f的极小的x*,满足在x*的梯度=0。
问题，有时候随机初始点离极小/大点较远时，并不一定收敛，有时候黑塞矩阵为奇异矩阵，则完全无法使用了，有一些修正方法。
1）开展一次一维搜索：
问题是这种方法在维数n太大时，计算黑塞矩阵计算量太大，还需要解F(x(k))-1，得到方向d，这是牛顿法的重要缺陷之一。（后续10、11章的共轭方法、拟牛顿法可以避免求黑塞矩阵的逆以解决这一问题）
2）Levenberg-Marquardt修正
加入uk倍单位矩阵，使得修正后的矩阵G总保存正定，加入ak，开展一维搜索：
3. 牛顿法拟合非线性最小二乘函数：9.4