梯度下降法是机器学习的一种学习方法。我觉得非常妙。通过一个一维的问题用梯度下降法，理解学习过程是怎样的。
假设g是目标函数f的梯度函数，w0是初始值，r是学习速度, g（w）=0时候，认为找到目标函数的局部极小点，设置精度p=0.001。
1.v=g（w0）;
2.v < p 这里一般用 abs（v）<p;
3.w1= w0 - v*r ;
在这里得到新的w值重复1，2步骤。这里为什么是w0-v*r 这个是泰勒公式在梯度下降法中的应用。这一步抽象看作一个直角三角形去拟合一条曲线。图像抽象如下。
可以去调节r，就是增大或者缩小学习速度，看看这个红色的三角形的变化。
如果r设置过大，可能条件一就不能满足，条件二算出来的w也不算最优。
如果r太小，又学习太慢。
还有一个问题，收敛的条件，就是迭代到什么时候为止呢？
1.设置精度，当两次迭代的差异小于多少的时候，默认学不动了，学习停止。
（带入梯度函数直接求，一维的用绝对值，二维以上的用范数。这里参考别人的代码觉得这种方法简单）
2.设置最大迭代次数
