吴恩达《Machine Learning》-gradient descent 梯度下降（三）

在实际中，我们有n个参数θ0，θ1，θ2```````θn 在此我们以两个参数举例，最小化J(θ0,θ1) 算法： 我们以θ0=0,θ1=0开始， 保持θ0，θ1参数改变，然后查看J(θ0,θ1)。 当J(θ0,θ1)为最小的时候 即为结束 从图中点出发，假设你身处在山顶上，即为寻找当前最快下降的方向下山。 下降一个位置后，再次寻找当前最快下降的方向下山。 最后抵达了局部最优点(低点) 另一个位置

>>阅读原文<<