本文是吴恩达《机器学习》视频笔记第11篇，对应第1周第11个视频。
“Linear regression with one variable——Gradient descent intiuition”
01
—
视频
暂缺，明天补上。或者加作者微信索取，添加方式在文末。
02
—
笔记
2.1 概述
上一个视频给出了梯度下降的数学定义，本次视频更深入一下，看看梯度下降到底是干啥的，以及梯度下降算法更新的意义是什么？
上一个视频中梯度下降的数学定义：
关键是这个
表示学习的步长，表示下降的快慢，而这个偏导数项告诉我们下降的方向。看来这两个东西是比较重要的，这次视频就重点研究一下这俩货。
2.2 直观理解
我们通过一个简单的例子来让梯度下降没那么晦涩。和上一笔记中记录的一样，我们把二维的事情先给放到一维的面上来理解。让 ,代价函数就变成了 ,它是二维平面上的一条曲线，我们要找到曲线的最低点。
我们让 在下图的那个点的地方开始出发，找最低点。
按照上一个笔记中所记录的，我们让 逐步变换，根据所在点的导数指引的方向逐步移动。如下图，当然这个例子我们的起始点是在最低点的右边，它的导数是正的，所以每次变换都是向后移了一点。
如果起始点在最低点的左边呢？如下图。
因为此时，所在点的导数是负数，所以在减去一个负数后，这个点是在向前逐步接近最低点的，而接近的快慢和 有关系。
那如果 太大或太小，会发生什么呢？
太小，如下图，很明显梯度下降的会很慢，想要接近我们的目标点需要耗费很多很多步。
太大，步子太大了呢它容易扯着dan。可能一不小心就过了，然后再回来又过了，就可能一直没法达到我们循环结束的条件了。
那如果我们又想快点收敛，又不想扯着dan，该怎么办呢？通过看上面两个图，很自然想到的办法是前面刚开始的时候我们走快点，等快到目的地的时候我们走慢点，就像打高尔夫一样，开始的时候把吃奶的劲都使上挥一杆，然后再微调。如下图，通过下面图这个特例我们还可以看出来，可以根据导数的大小来调整 的值，我们这样做是因为我们相信快到最低点的时候坡度会变缓（当然这也不绝对）。
2.3 还有个问题
到目前为止，我们有意无意的回避了一个非常关键的问题。那就是，如果我们的初始点在寻找最低点的时候，如果找到的不是全局的点，而是局部的最低点它也会停止搜索，那该怎么办呢？就像下面图中所示。
这种情况到底怎么办呢？本次视频并没有讲，继续耐心往下学习吧。
