这里有一个问题：v^T H v 到底是什么意思？为什么向量乘以矩阵，然后再乘以向量（的转置），就能得到方向曲率（二阶方向导数）？
好吧，我们来展开说。首先，矩阵乘以向量是什么意思？
当你进行 H·v 运算时，你实际上是对 H 的列进行线性组合，并由 v 的各个分量加权。结果是一个新向量，它告诉你 H 如何"变换"方向 v。
但我们不会就此止步，接下来我们进行 v^T · (H·v) 运算，它将变换后的向量投影回原始方向 v。
直观的理解是：H·v 告诉你"当你沿方向 v 移动时，梯度会如何变化？" 然后 v^T ·（该变化）会问"其中有多少变化是沿着方向 v 本身发生的？"
我们把 v^T 写在左边而不是 v 写在右边是有原因的。计算 H·v 时，我们得到一个向量，它是沿方向 v 移动时梯度的变化。到目前为止一切顺利。
现在，我们想知道：这个变化中有多少是沿我们移动方向的？我们要将这个"梯度变化向量"与方向 v 做点积。两个向量的点积可以写成 v^T · (某物) 或 (某物)^T · v，它们得出的数字相同。但按照惯例，我们将其写成 v^T · H · v，以显示对称性。
(H v)^T v = v^T H v
v^T 从技术上讲是一个 1×n 矩阵（行向量），当它与列向量 H·v 相乘时，我们得到一个 1×1 矩阵，它只是一个数字，一个标量。但更深层次的是，我们并非只是随机选择符号。v^T H v 这种形式揭示了一些美妙的东西，它是一个二次型。而二次型有一些特殊的性质......
H·v 告诉你当你沿方向 v 移动时，梯度是如何变化的。但这种变化可能出现在各种方向上，也许梯度一开始指向东北，最后指向西南，或者其他方向。
但我们关心的是方向 v 的曲率：梯度沿着我们行走的方向变化了多少？
如果你向东走，梯度向东越来越陡，那么你方向上的曲率就是正的，你上坡的速度越来越快。但如果梯度以垂直方向变化，比如你向东走时，梯度呈南北旋转的更多，这其实并不会影响（向东走的）你对路径陡峭程度的感觉。
点积 v^T · (H·v) 滤除了所有无关的方向变化，只保留了重要的部分：与行进方向一致的变化。
在一维空间中，只有两个方向：向前和向后，正向和负向。一切都很简单。但进入二维、三维、数百个维度时......方向突然变得如此丰富复杂。而Hessian矩阵正是捕捉曲率所有复杂性的数学对象。