如何选择学习率以确保梯度下降工作正常？
一般有两种办法：
调试梯度下降。 在x轴上绘制具有迭代次数的图。 绘制成本函数，J（θ）超过梯度下降的迭代次数。 如果J（θ）增加，那么你可能需要减少α。
自动收敛测试。 如果J（θ）在一次迭代中减小小于E，则声明收敛，其中E是一些小值，例如[数学处理误差]。 但是在实践中很难选择这个阈值。E的确定比较困难。
度下降的工作是为你找到的值，希望最小化成本函数J（
）。 因此，将成本函数J绘制为梯度下降运行。 x轴是梯度下降的迭代次数，随着梯度下降运行。
调试梯度下降
具体来说，红点位置是在100次迭代中运行梯度下降。 无论我在100次迭代后得到的是什么值，我都会在100次迭代后获得一些θ值。 对于的值，我在100次迭代后获得，并且该垂直高度是J（
）的值。 这个图表显示的是它是在每次迭代渐变之后显示成本函数的值。 如果梯度正常工作，那么J（
）应该在每次迭代后减少。在这里进行400次迭代，看起来梯度下降或多或少会收敛，因为成本函数不会下降得多。 所以看这个数字也可以帮助你判断梯度下降是否已经收敛。
J的异常变化通常是的原因，但是不排除代码的错误。
数学家已经表明，如果学习率α足够小，那么J（）应该减少每一个迭代。 所以如果没有发生这可能意味着
太大了，你应该把它设置得更小。 但是，当然，您也不希望您的学习率太小，因为如果您这样做，那么梯度下降可能会很慢收敛。
尝试一系列的值，直到找到一个太小的值，并确保我找到一个太大的值。 然后尝试选择最大可能值，或者只是略小于我发现的最大合理值。
如果学习率α足够小，则J（θ）将在每次迭代时减小。
如果α太小：收敛慢。
如果α太大：可能不会在每次迭代时减少，因此可能不会收敛。
