机器学习中经常利用梯度下降法求最优解问题，通过大量的迭代来得到最优解，但是对于维度较多的数据，除了占用大量的内存还会很耗时，L-BFGS算法是一种在牛顿法基础上提出的一种求解函数根的算法，下面由简入深尽量用简洁的语言剖析算法的本质。
一.牛顿法
解决函数求根问题 f(x)函数在x1点的导数，是该函数在x1点的切线的斜率y/x，f(x1)=f(x1)/(x1-x2) ,x1-x3=f(x1)/f'(x1)，得出x2=x1-f(x1)/f'(x1)，当第k次迭代时：xk=xk-1-f(xk-1)/f'(xk-1)
牛顿法求根的流程：
1.已知函数f(x)的情况下随机产生x0
2.由已知的x0按照xk=xk-1-f(xk-1)/f'(xk-1)公式进行k次迭代
3.当迭代结果xk与上一次迭代结果xk-1相同或小于一定阈值时本次的结果即为函数f(x)的根
利用牛顿法求函数的驻点
当函数f(x)的一阶导数f'(x)=0时，点（x,f(x)）为函数f(x)的驻点
求某函数的驻点即为求该函数的导函数的根，同样可以利用牛顿法进行求解
对于f(x)函数来说迭代公式为xk=xk-1-f'(xk-1)/f''(xk-1)
牛顿法求驻点的本质
任意函数在xk点附近的二阶泰勒展开公式为：
该公式表达的函数的几何意义为：通过2次函数对于原函数的最佳拟合
当时，
结果依然是xk=xk-1-f'(xk-1)/f''(xk-1)
对于多元函数一阶导数f'(x)->梯度：
二阶导数f''(x)->hessian矩阵：
多元函数下的牛顿法求极值迭代：
问题：H矩阵维度超大，求逆矩阵非常困难怎么办？？？
二.BFGS算法
一种通过迭代逼近的你牛顿算法，逼近方法：
其中：
是一维的，回到迭代公式：
BFGS指的是在牛顿法迭代过程中，使用Dk矩阵代替Hk矩阵进行迭代，第一个D矩阵D0为单位矩阵，随着迭代次数增多，公式中的Dk矩阵由单位矩阵越来越趋近于真实的H块矩阵
初次迭代时由于使用单位矩阵迭代矩阵，等价于梯度下降算法，所以BFGS算法是一种随着迭代由梯度下降法逐步过渡到牛顿法的算法
三.L-BFGS算法
对于传统的BFGS算法，每次运算都需要存储Dk矩阵
L-BFGS算法是对于BFGS算法的近似，回到
D0已知，只需要知道S0-SK,Y0-YK就可以一步步算出dk+1
只保留最后M组向量，只通过m次迭代计算出Dk+1的近似值，当做Dk+1带入
公式中使用，这种用法便是L-BFGS。