目录
一、求数值解的方法-梯度下降法
找到极值点的速度：步长的大小决定，但是也不是越大越好
步长太小，迭代次数多，收敛慢
步长太大，引起震荡，可能无法收敛
所以这个步长的取值是否可以自动调节呢？
如上图所示，斜率与步长是呈正比例的关系的。
而斜率是可以通过某点的求导获得，然后进行迭代。
但是疑问来了，为什么迭代公式仅仅使用减号，而没有加号呢？其实我们分析发现：
在 x>0 的时候，函数的导数值是是大于零的，也就是曲线是上升趋势，因此减去导数值是朝着极值（较小的值）方向；（不用再计算两个值比较大小了）
在 x<0 的时候，是相反的道理。
二、实现梯度下降法
1、梯度下降法求解一元线性回归问题：
一元线性回归，转换成二元平方损失函数求极值的问题；二元函数使用偏导，求得各个变量的值，使得Loss损失函数最小；从而确定了函数参数。
2.当然，我们还有均方差损失函数：
注意，我们还有一个参数：学习率 ；我们知道只要学习率够小，可以保证一定收敛。但过小则运算缓慢，过大则出现震荡。通常学习率
属于超参数，即学习之前已经设置，不是通过训练得到的。
三、一元线性回归Numpy实现
四、可训练变量
tf.Variable()
trainalbe属性
五、自动求导机制-GradientTape
如果想重复使用tape，加上True，运行完后使用del释放：
多元函数求偏导数：
可以嵌套使用，进行二阶求导：