1.什么是梯度
各个方向的偏微分组成的向量
举例说明，z对x的偏微分和对y的偏微分如下，则梯度是（-2x，2y）的这样一个向量
在光滑连续函数的每个点上，都可以计算一个梯度，也就是一个向量，用小箭头表示，那么梯度越大的地方，向量的模值就会越大，箭头就会越长，如图所示
可以看到，越平坦的地方，箭头越短，说明梯度越小，所以梯度反映了图像的变化趋势
2.通过梯度更新参数，让目标函数（损失函数）趋于极小值
更新参数的目的是让目标函数找到一个极小值，这个目标函数就是我们说的损失函数
在函数中的每个变量称为参数，对图二中的例子进一步分析，x，y两个就是参数，如图，x沿着x正方向，所以△x>0,如果函数是上升的，是在上坡的，则△z>0,这时候参数x应该往回走，即应该减小。如果函数是下降，是下坡的，则△z<0,这时候参数x应该往前走，即应该增大，所以参数和梯度的关系应该是相反的
左边是更新后的参数，αt是学习率，防止每次改变的幅度过大，一不小心跳过了最小值点
3.通过tensorflow计算梯度
损失函数定义在
with tf.GradientTape() as tape:tape.watch([w])loss = w*x#在这里定义损失函数计算梯度在
grade = tape.gradient(loss,w)#在这里计算梯度完整代码
import tensorflow as tf
w = tf.constant(1)
x = tf.constant(2.)
with tf.GradientTape() as tape:tape.watch([w])loss = w*x#在这里定义损失函数
grade = tape.gradient(loss,w)#在这里计算梯度
with tf.Session() as sess:print(sess.run(grade))
...)
