梯度下降（gradient descent），是一种用于最优化（通常是最小化），代价函数/损失函数/目标函数/误差函数/准则，的方法。 不过，最值有时很难找到，尤其是在高维情况下，所以常常把局部最优解看作全局最优解。
1、导数
f(x)在x处的斜率。
2、临界点（critical point）/驻点（stationary point）
导数为0，包括局部极小点、局部极大点、鞍点。
3、偏导数（partial derivative）
f(x)关于多维输入x的其中一维xi的导数。
4、方向导数（directional derivative）
导数和偏导数只能描述坐标轴方向的变化率。但是一个点在无数个方向上都有变化率，这时候就需要方向导数了：f(x)在某个向量方向上的导数。
5、梯度
梯度是一个向量，向量的第i个元素是f(x)关于xi的偏导数。临界点是梯度中所有元素都为0的点。
6、学习率（learning rate）
爬山算法
参考链接：
https://www.zhihu.com/question/36301367
