写在前面
当初在学习梯度下降和Learning Rate的时候，怎么理解都没有理解透这两个是一个什么样的过程，疑惑了很久很久，直到最近开始看李宏毅老师的深度学习的课程视频的第一节，给了我一种豁然开朗的感觉，因此记录下来
梯度下降
我们在进行模型训练的时候，首先会先将Loss(损失)先算出来，然后我们利用梯度下降法进行反向更新传递优化参数，使得我们Loss下降，这是我们平时的做法，那怎么形象的理解呢？
首先，假设Loss是关于w等几个参数的函数(这也符合我们的神经网络的算损失函数的过程)，w等这些参数就是我们神经网络里面那些许许多多的参数，我们假设得到了Loss关于w的函数图象。
然后我们会对Loss求w的偏导，那么计算得到的就是Loss曲线的斜率，而我们的w是在神经网络里面已知的，所以我们能够得到我们当前的斜率是多少。
假设我们现在所处的位置是P点，即如下图所示，那么梯度下降是什么呢？为了得到更好的神经网络，我们需要让我们的损失函数Loss更小，在图中怎么体现呢？我们可以得到P点的斜率，右边低，左边高，即我们增加w即可以实现Loss的下降，而在这个过程中，我们可以发现梯度，也就是斜率是减小了的，所以这就实现了梯度下降而降低了我们的Loss。
- 我们只需要沿着梯度下降的方向走增加或减小我们的参数，即可以实现Loss损失函数的减小，也就是所谓的梯度下降。
Learing Rate(学习率)
当我们知道了梯度下降之后，紧随其后就有一个问题，我们不是需要像梯度下降(Loss减小)的方向更新参数吗？那每次增加(或减少)多大的参数呢？这个决定增加(或减少)参数的值，也就是我们的学习率。
为了使我们的训练速度更快，我们可以在梯度越大的时候，参数变化的值更大，梯度越小的时候，参数变化的值越小。而我们学习率怎么进行影响呢？
我们可以简单的使用斜率大小*学习率来实现我们这一个功能，我们也常常称这个Learing Rate为步伐大小。想象一下，我们每一次变化参数是不是类似于像下山的方向跨出一步，而这个步伐的大小就有一个山的陡峭程度(梯度大小)和步伐大小(Learing Rate)来决定。
Learing Rate(学习率)的影响
我们常常会在训练一个模型的时候使用学习率递减的方法。我们画几张图来深刻理解这个做法的意义。
Learing Rate比较小
假设我们学习率是一个比较小的一个不变的值，那么我们很有可能会出现下面这种情况，因为我们的学习率较小，当我们到达P点的时候，就会出现模型认为Loss已经无法再继续下降了而卡在了这样的一个鞍点，而没有办法跳出去了，这样虽然模型认为他到达了最优的w值并且对应了他所认为的最小的Loss值，但是我们站在全局的视角来看的时候，会发现他并没有到达最理想的值。
跳出那个点，后面还有Loss更好的w参数。
在遇到这种情况的时候，我们能做的就是需要保持一个此时最理想的一个模型，然后停止训练，设置一个较大的Learing Rate重新训练，让其跳出鞍点。
Learing Rate较大
那如果我们的Learing Rate保持一个比较大的值，那么很有可能我们上一次在P1点，但是因为一个比较大的学习率，导致我们的参数更新之后到达了P2点，而在P2的时候，又因为学习率很大，不幸的导致你的模型又跳回了P1点，这样就会导致这个模型反复震荡，而没有办法使得w到达最优解
无论是解决这种情况，还是解决学习率小的那种情况。其实最理想的就是前面提到的学习率下降法。一开始使用一个较打的学习率，使我们能够很快的到达一个比较合适的参数附近，然后利用小的学习率寻找到最合适的参数。