梯度下降推导过程
首先理解什么是梯度？
通俗来说，梯度就是表示某一函数在该点处的方向导数沿着该方向取得较大值，即函数在当前位置的导数。
其中，θo是自变量参数，即下山位置坐标，η是学习因子，即下山每次前进的一小步**（步进长度）**，θ是更新后的θo，即下山移动一小步之后的位置。
一阶泰勒展开式
这里需要一点数学基础，对泰勒展开式有些了解。简单地来说，一阶泰勒展开式利用的就是函数的局部线性近似这个概念。我们以一阶泰勒展开式为例
最后得到的梯度下降公式：
BGD,SGD,MBGD的区别
BGD(批量梯度下降）:更新每一参数都用所有样本更新，m=all，更新100次遍历多有数据100次
SGD（随机梯度下降）：更新每一参数都随机选择一个样本更新，m=1
**MBGD（小批量梯度下降）：**更新每一参数都选m个样本平均梯度更新，1<m<all
总结：SGD训练速度快，大样本选择；BGD能得到全局最优解，小样本选择；MBGD综合二者选择
