梯度下降法可以做什么？
在你测试集上，通过最小化代价函数$J(omega,b)$来训练参数$omega$和$b$
梯度下降法的形象化说明
在这个图中，横轴和纵轴表示你的空间参数$omega$和$b$，在实践中，$omega$可以实更高的维度，但是为了更好地绘图，我们定义$omega$和$b$，都是单变量实数，曲面的高度就是$J(omega,b)$在某一点的函数值，我们所做的就是找到使得代价函数$J(omega,b)$取最小值时的$omega$和$b$
上图是一个凸函数（$convex function$），像一个大碗一样
上面这张图就与就与刚才的图有些相反，因为它是非凸的并且有很多不同的局部最小值。由于逻辑回归的代价函数$J(omega,b)$的特性，我们必须定义代价函数$J(omega,b)$为凸函数
我们以上图的小红点的坐标来初始化参数$omega$和$b$
朝最陡的下坡方向走一步，不断地迭代
如上图，走到了第二个小红点处
我们可能停在这里也有可能继续朝最陡的下坡方向再走一步，如上图，经过两次迭代走到第三个小红点处
通过以上的三个步骤我们可以找到全局最优解，也就是代价函数$J(omega,b)$这个凸函数的最小值点
梯度下降法的细节化说明（假设仅有一个参数）
假定代价函数$J(omega,b)$只有一个参数$omega$，即用一维曲线代替多维曲线
迭代就是不断重复做上图所示的公式，$:=$表示更新参数，$alpha$表示学习率（$learning rate$），用来控制步长（$step$），即向下走一步的长度，也就是$J(omega)$对$omega$的导数$frac{dJ(omega)}{domega}$，在代码中我们会使用$domega$表示这个结果
对于导数更加形象化的理解就是斜率（$slope$），如上图，该点的导数就是这个点相切于$J(omega)$的小三角形的高除宽。假设我们以上图的点为初始化点，该点处的斜率的符号是正的，即$frac{dJ(omega)}{domega} > 0$，所以接下来会向左走一步
整个梯度下降法的迭代过程就是不断地向左走，直至逼近最小值点
假设我们以上图的点为初始化点，该点处的斜率的符号是负的，即$frac{dJ(omega)}{domega} < 0$，所以接下来会向右走一步
梯度下降法的细节化说明（两个参数）
逻辑回归的代价函数$J(omega,b)$是含有两个参数的
$$ omega := omega - alpha frac{partial J(omega,b)}{partial omega}\ b := b - alpha frac{partial J(omega,b)}{partial b} $$
