问在你这里买卡跟去营业厅买卡有什么区别答我们就是联通网上营业厅，为了方便用户足不出户购物我们只是换了一种销售模式目的就是让客户更方便但是 你只是作为消费者在那里消费你要做会员，作为一个事业来做，要成为经营者就需要在我们这里办理一些手续 为你节约了去营业厅的时间，节约；梯度下降法是一个求极值的方法，不一定是真的下降；与更为传统的基于规则的方案相比，它在吸纳了众多高手对局之后就具备了用梯度下降法自动调参的能力，所以性能提高起来会更快更省心AlphaGo用这个办法达到了2微秒的走子速度和242%的走子准确率242%的意思是说它的最好预测和围棋高手的下子有0242的概率是重合的，相比之下，走棋网络在GPU上用2毫秒能达到57%的准。
泰勒展开就包含了梯度，从梯度的定义方向导数最大出发就可以得出优化方向负梯度，这个有手推公式，下次补上顺便提一嘴为什么要用梯度下降在机器学习领域中，建模需要loss损失函数，模型越优，loss越小，函数求导=0找极值当你建模的特这个x的维度特别大，超过1000维度，那么解析解计算就很；对于上面有条件的优化问题根据查询投影梯度相关资料得知，投影梯度下降提出因为对于上面有条件的优化问题采用梯度下降的思路，更新，再将这样的更新值，向定义域C，作投影，以此来获得该优化问题在一定条件下的优化。
牛顿法是二阶收敛，梯度下降是一阶收敛，所以牛顿法就更快如果更通俗地说的话，比如你想找一条最短的路径走到一个盆地的最底部，梯度下降法每次只从你当前所处位置选一个坡度最大的方向走一步，牛顿法在选择方向时，不仅会考虑坡度是否够大，还会考虑你走了一步之后，坡度是否会变得更大所以；机器学习是掌握人工智能技术的其中一个学习环节，而今天我们就一起来了解一下，在学习机器学习的一些知识概念的时候都需要考虑哪些问题为什么一开始就需要梯度下降？在学习基本的机器学习概念时，你的脑海中是否出现过这个问题？梯度下降是我们在初期学习时一定会遇到的基本算法之一，并且已经证明该方法在ML中。
原始的随机梯度下降SGD适合于低精度的任务，而梯度下降算法适合用于高精度的任务如果接受一个比较低的精度应用问题中往往不要求高精度，那么由于SGD每次只利用一个或部分样本的梯度做更新，所以前期迭代较快，导致前期一段时间内比梯度下降算法下降得多但是由于原始的SGD算法在目标函数强凸的情况；牛顿下降法应该是自由落体，梯度法则是有摩擦力所以会影响速度。
