上段时间学习caffe，caffe的solver优化方法中涉及到梯度下降法。当时对梯度下降法的概念和原理都很模糊，就专门去学习了下，现在把自己的理解记录下来，一方面加深印象，一方面也方便随时查阅。如果有理解错误的地方，希望看到的予以指正，谢谢。
一、什么是梯度？梯度和方向导数的关系是什么？（简述，需要详细了解的可以自行搜索）
方向导数：对于一个函数f,在其定义域内存在一点k，我们把函数f在点k上任一方向的导数，叫做方向导数。
梯度：经过数学推理可以证明，函数f在k点的梯度方向，等于函数f在k点方向导数取最大值的方向，梯度的模为方向导数最大值。这里我们可以理解为：方向导数代表着函数在k点的变换率，当变换率最大时，梯度最长，此时函数在该点的梯度方向是向上的。
二、损失函数--loss function
损失函数描述的是预测函数“不好”的程度。
假设对于一组数据集(x1,y1),(x2,y2),...,(xn,yn)，假设其预测函数为hΘ(x)，Θ为参数权重，是一个向量，x为参数，其loss函数可以定义为：
其中hΘ(xi)对应xi的预测值，而yi为其对应的真实值。
我们的目的：寻找到一个
，使得损失函数最小。
三、如何使得损失函数最小--梯度下降法
1、梯度下降法的流程
(1) 首先对随机赋值；
(2) 对进行求导，并且使得
按照梯度下降的方向进行减少。
(3) 当梯度下降到预设值时，停止下降。此时认为损失函数在处收敛，变化率最小。
2、梯度下降法公式：
含义：对于每一个，函数都沿着其下降最多的方向进行变化，直到达到一个极小值。
理解：因为梯度的方向是方向导数取最大值时的方向，此时函数在点的变化率最大且为正值，即当前梯度的方向为上升最多的方向。如果想要获得向下下降最多的方向，即取当前梯度方向的反方向即可。
3、举例说明(注：本例子图片来自http://blog.csdn.net/zengdong_1991/article/details/45563107)
看下图：
分析：
Ps：个人理解--因为梯度的方向是方向导数取最大值的方向，方向导数取最大值，一定大于0，所以此时梯度的方向就是函数变化率最大的方向且方向向上。而梯度下降发用负号使得变化的方向变为梯度下降最多的方向。
四、梯度下降与梯度上升
1、梯度上升公式：
2、梯度下降与梯度上升区别与联系
其实梯度下降与梯度上升，描述的是在迭代过程中参数值更新的方向。梯度下降即参数值更新的方向与梯度本身的方向相反，即向下的方向更新；而梯度上升即参数值更新的方向与梯度的方向相同，即向上的方向更新。但是注意：无论梯度的方向是向上还是向下，在迭代过程中，梯度的模是一直下降的，因为随着梯度方向的改变，函数的变化率都是逐渐降低的，变化率降低，方向导数的最大值下降，即梯度的模值降低。
搞不清楚的，可以参考上图理解。
PS：写完发现自己其实理解的还是很浅显，在博文中很多表达其实都不够准确，先写成这样，等以后理解加深了，再进行修正。刚开始写博文，搞的很丑，还需改进。
参考博文：
1.http://blog.csdn.net/wolenski/article/details/8030654
2.http://blog.csdn.net/zengdong_1991/article/details/45563107
3.http://blog.csdn.net/xiazdong/article/details/7950084
4.http://www.cnblogs.com/hitwhhw09/p/4715030.html
