梯度下降法注意要点
1.不同的起始点，可能导致最后得到的局部最小值点不同。
2.同时更新：
以代价函数J(θ0,θ1)为例：
我们的目的就是要同时迭代更新θ0和θ1，直到下面这个式子收敛，这也是梯度下降法的核心
其中，j取值为0和1。
每次迭代的时候，我们需要同时更新θ1,θ2,...,θn，我个人的理解就是，先都用原来的θ1,θ2,...,θn，对各自的θj求完偏导数之后，再进行迭代更新：
直接上图，更能解释清楚：
1.不同的起始点，可能导致最后得到的局部最小值点不同。
2.同时更新：
以代价函数J(θ0,θ1)为例：
我们的目的就是要同时迭代更新θ0和θ1，直到下面这个式子收敛，这也是梯度下降法的核心
其中，j取值为0和1。
每次迭代的时候，我们需要同时更新θ1,θ2,...,θn，我个人的理解就是，先都用原来的θ1,θ2,...,θn，对各自的θj求完偏导数之后，再进行迭代更新：
直接上图，更能解释清楚：
