在学习深度学习时遇到了个新名词：随机梯度下降－－可以想象把一个篮球扔到群山之中，让它*滚动，直到滚动到最低点．找最低点的过程也是机器学习模型训练的过程．对于篮球来说在现实世界中有万有引力会牵引它走向最地点．在计算机的世界里谁来告诉迷茫的篮球该往何处呢？如果把山川地表看成是由函数绘制的，在地表上随机放一个篮球，然后让这个篮球不断的往低洼的方向运动，就有可能找到最低点是不是?那是不是传说中有种秘法可以算出函数中某个点的变化趋势．是的，微积分．但实在是想不起是高中学过还是大学学的了，一点印象都没有，只记得有这个名字．与其说复习倒不如说重学，也不用学的太深，可以理解深度学习的梯度下降就可以了．

比如现在的函数是：f(x)=2x＾２ + 1. 求函数在某个点(x,f(x))的变化趋势，其实就是求函数上穿过点(x,f(x))和点(x+h,f(x+h))这条直线的斜率．h的值越趋近于０就越能表示函数在点(x,f(x))的变化趋势．

斜率也就是　

(f(x+h)-f(x))/(x+h-x)

也就是

(f(x+h)-f(x))/h

可以记做f'(x),读作f prime x.把f(x)和f(x+h)替换为使用x表示.也就是

f'(x)=(2(x+h)^2+1 - (2x^2 + 1))/h

简化下就是：

f'(x)=(2x^2+2h^2+4hx+1-2x^2-1)/h

        =2h+4x

当h趋近于０的时候,2h也就趋近于０，也就可以写作：

f'(x)=4x

如果我们把球扔在了函数上的点(5,51)上，穿过这一点的直线的斜率是4x也就是４＊５＝２０．有了斜率m=20和直线上的一个点(5,51)代入公式y=mx+b不难求出b,最后直线可以表示为：

y=20x-49

画在图上应该更好理解：

可以看出我们只要沿着斜线y=20x-49下降就可以找到函数f(x)=2x^2+1的最低点了．这就是梯度下降．