梯度下降法的原理以及python伪代码

博主的理解：y = w x + b， 如果y和真实差距太大，说明w起作用太大了，这个时候我们利用梯度去控制一下。（浅显理解）

用于衡量模型对任何给定数据的性能。损失函数将预测值与期望值之间的误差进行量化，并以单个实数的形式表示出来。整个流程就是，对w进行初始化，然后计算预测值y，接着计算损失函数，为了让损失函数最小，利用梯度下降法对给定w进行参数修正。

博主的理解：假如你在珠穆朗玛峰上，而你想下到山底，此时的下山的过程就是梯度下降法的流程，山坡的斜率为梯度，每一步的步伐为学习率。梯度下降法是一种求解函数局部极小值的迭代优化算法。

学习率的大小，需要我们谨慎选择：

• lr太大，可能在谷底震荡
• lr太小，收敛慢
  

实际上现实生活中，我们遇到的绝大部分都是非凸问题，也就是存在许多极小值点，lr设置太小很容易陷在极小值点再也出不来了，这就是为什么需要优化器需要动量这个参数了！我们可以借助上一时刻的lr来帮助我们冲出当前极小值区域

def train(X, y, W, B, alpha, max_iters):
	
	dW = 0                      # 梯度
	db = 0
	m = X.shape[0]              # 训练样本第一个数据，这里是拉平的，第一个维度为批次
	for i in range(max_iters):
		dW = 0
		db = 0
		for j in range(m):   # 对每一个标量进行梯度下降法
			W = W - alpha * (dW / m)
			B = B - alpha * (dB / m)
	return W, B