梯度下降法的原理和公式這里不講，就是一個直觀的、易于理解的簡單例子。

1.最簡單的情況，樣本只有一個變量，即簡單的（x，y）。多變量的則可為使用體重或身高判斷男女（這是假設，并不嚴謹），則變量有兩個，一個是體重，一個是身高，則可表示為(x1,x2,y),即一個目標值有兩個屬性。

2.單個變量的情況最簡單的就是，函數(shù)hk(x)=k*x這條直線(注意：這里k也是變化的，我們的目的就是求一個最優(yōu)的   k)。而深度學習中，我們是不知道函數(shù)的，也就是不知道上述的k。   這里討論單變量的情況：

在不知道k的情況下，我們是通過樣本(x1,y1),(x2,y2)，(xn,yn)來獲取k。獲取的k的好壞則有損失函數(shù)來衡量。

損失函數(shù)：就是你預測的值和真實值的差異大小（比如一個樣本（1，1）他的真實值是1，而你預測的是0.5，則差異   比較大，如果你預測值為0.9999，則差異就比較小了）。

損失函數(shù)為定義如下（此處為單變量的情況）

目的是求使損失函數(shù)最小的變量k（注意和變量x區(qū)分），則將損失函數(shù)對k求導（多變量時為求偏導得梯度，這里單變量求導，其實不算梯度），求偏導如下：

然后迭代，迭代時有個步長alpha,(深度學習中貌似叫學習率)

3.例子     

假如我們得到樣本(1,1),(2,2),(3,3).其實，由這三個樣本可以得到函數(shù)為y = 1*x。此時損失函數(shù)為0.而機器是不知道的，所以我們需要訓練。

下面是一段python代碼。

import numpy as npimport matplotlib.pyplot as pltx=np.arange(-5, 5, 0.001)y=(((x-1)*(x-1)+(x*2-2)*(x*2-2)+(x*3-3)*(x*3-3))*1/6.0)plt.plot(x,y) #plt.show()  #顯示圖形  def sum(x):  return ((x*1-1)*1+(x*2-2)*2+(x*3-3)*3)def fun(x):  return ((1/3.0)*sum(x))old = 0new = 5step = 0.01pre = 0.00000001 def src_fun(x):  print(((x-1)*(x-1)+(x*2-2)*(x*2-2)+(x*3-3)*(x*3-3))*1/6.0)  while abs(new-old)>pre:  old = new  #src_fun(old)   #輸出每次迭代的損失值  new = new - step*fun(old)   print(new)print(src_fun(new))

下圖是損失函數(shù)的圖像，損失函數(shù)中變量是k。下圖橫坐標為k的不同取值，縱軸為對應的損失大小。由下圖可以大致看出，當k為1時，損失函數(shù)值為0。注意：這里取的最優(yōu)值k=1是在我們已有樣本的情況下得出的,樣本不同，k值自然不同。

下面是print(new)和print(src_fun(new))的輸出結果