梯度下降
上一节讲过，随机的寻找w和b使损失最小不是一种合适的方法，梯度下降算法就是解决解决这个问题的，它不仅可以用于线性回归，还可以用于神经网络等深度学习算法，是目前的通用性算法。
更加通用的梯度下降算法
之前二维关于w和b的损失函数（无特殊说明，均以均方误差成本函数为例）如下：，
但是在更多的例子里，或者说更加复杂的神经网络里面，w是很多个，目前很多模型都是超过几千亿参数：
已经无法使用随机法来解决最小化J这个损失，必须用更加通用的梯度下降算法来解决最小化损失的问题。
算法步骤
假设某一个模型的成本函数也就是Loss fuction如上（不是线性回归也不是均方误差）：
如何从这里面找到J的最小值呢？方法如下：
- 设定w和b初始值。如图中左边这条线的起点。
- 从现在的位置旋转360度，找到J下降最快的点，向下走一步。（这意味着你走的是最快下山的路）
- 以下降后的位置，重复上述步骤，直到发现走到了一个局部最小的山谷底，也就是J的具备最小值。
梯度下降有意思的一件事情，假设随机选择的起始点是另外一个位置，比如右面这条线的起始点，那么找到的就是右边这个局部的最低点，这两个是完全不同的最低点。至于具体怎么实现算法留在下一节。