<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[m0_45968459的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/m0_45968459</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; m0_45968459]]></copyright><item><title><![CDATA[2020-07-13]]></title><link>https://blog.youkuaiyun.com/m0_45968459/article/details/107326163</link><guid>https://blog.youkuaiyun.com/m0_45968459/article/details/107326163</guid><author>m0_45968459</author><pubDate>Mon, 13 Jul 2020 22:00:08 +0800</pubDate><description><![CDATA[梯度：1.在单变量函数中，梯度就是函数微分，代表着函数在某个给定点的切线的斜率
2.在多变量函数中，梯度是一个向量，方向指向函数上升最快的方向。
梯度下降法搜索函数极值：1.给定两个参数：步长α和β（参数尽可能小）
2.计算该函数导数。
3.将初始x1代入导数得到导数值
4.x2=x1-步长导数值
5.x2-x1得到x的变化量，如果变化量&lt;β，终止，此时x2就可认为是极值点；如果不满足条件，则将X2代入x1从第三步开始重复操作，直至满足条件。
#假设我们要求的目标函数是f(x)=xx+1def fun]]></description><category></category></item></channel></rss>