随着深度学习的火热，梯度下降法也经常被人所提起。做为一种最常见的求解无约束问题最优化方法，它在ML和DL模型求解的过程中扮演着相当重要的角色，在接触和学习机器学习的过程中，看了很多教程，书籍，都有和梯度下降相关的内容，但看了那么多，始终不如自己动手试一试来的印象深刻，在此记录一下。
梯度下降法（gradient descent），是在求解无约束最优化问题过程中的一种最常用的方法。假设 f(x)是Rn上具有一阶连续偏导的函数，要求解的无约束最优化问题是:
梯度下降算法思想非常简单，导数的负方向就是函数值下降的方向。对于一个一元二次函数来说，当某一点导数为正数时候，曲线是上升的，其反方向就是函数值下降的方向。当某一点导数为负数时候，曲线是下降的，其正方向就是函数值下降的方向。稍微难以理解的是第三步，第三步中λ就是我们平常说的学习率，既求一个合适的λ使得函数值下降最大。其他的都非常易懂，接下来就用梯度下降法解决一个非常简单的问题，求解一个一元二次方程的最小值。
代码实现
1. 首先导入库
2. 生成数据并绘制
3. 定义函数求解f(x)及其导数g(x)
4. 定义学习率，epsilon，最大迭代次数
5. 梯度下降代码，初始化一个x0 = 5, 使用列表learn_x 记录每次学习到的x。
6. 绘制学习过程
以上就是关于使用梯度下降法解决一个非常入门非常简单的例子，对于没有了解过梯度下降法的朋友，算是能有个大概了解，但实际用到的梯度下降法，通常情况梯度是一个向量，而且求偏导的计算远比求一元二次函数的导数要复杂的多。附上 ipynb链接：链接: https://pan.baidu.com/s/1Kvl0QG6IW8AuxJiTEju4kw 提取码: dn3k。
