批量梯度下降：在梯度下降的每一步中都用到了所有的训练样本。

思想：找能使代价函数减小最大的下降方向（梯度方向）。

　　　　ΔΘ = - α▽J      α：学习速率

 

梯度下降的线性回归

　　线性模型的代价函数：

　　　　

 

　　对于更新项，为什么是 - α▽J ：

　　Θ如果在极值点右边，偏导大于0，则Θ要减去偏导的值（Θ偏大，减去一个正值）

　　Θ如果在极值点左边，偏导小于0，则Θ要减去偏导的值（Θ偏小，减去一个负值）

 

　　实现方法：同步更新每个Θ

　　特点：当α过小时，梯度下降算法收敛得很慢（步长小）。当α过大时，可能会越过最低点，甚至发散（步长太大）。

　　　　　确定α之后，在算法随后的运行过程中，我们没有必要另外减小α的值，因为梯度下降算法能够自动减小步长。

　　　　　随着算法的进行，越接近局部最小值点，偏导的那一项越小，Θ的变化量也就越小。

　　图中可以看出，初始Θ取粉色点所在的值，随着算法的进行步长越来越小。所以在算法运行过程中我们可以保持α固定不变，算法会自动收敛到局部最小值。

 

 

梯度检验(Gradient Checking)

　　当对一个比较复杂的模型使用梯度下降算法时，可能存在一些不易察觉的错误。有时候cost虽然看上去在不断减小，但是最终结果可能并不是最优解。为发现以及避免这些错误的出现，我们采取一种叫做梯度检验的方法（数值计算梯度）。

    　　　　　　  

注意：在代码中，梯度检验部分的代码比较耗时，所以仅在检验的时候使用，检验完就及时注释掉。