梯度下降是常用的卷积神经网络模型参数求解方法，根据每次参数更新使用样本数量
的多少，可以分为以下三类：
批量梯度下降（batch gradient descent,BGD）；
小批量梯度下降（mini-batch gradient descent,MBGD）；
随机梯度下降（stochastic gradient descent,SGD）。
求参数过程即最小化损失函数过程。比如有一个含有D个训练数据的数据集，损失函数如
下：
批量梯度下降（batch gradient descent,BGD）
批量梯度下降法（Batch Gradient Descent，简称BGD）是梯度下降法最原始的形式，它的具体思路是在更新每一参数时都使用所有的样本来进行更新。对几百万个样本集，训练时间和内存都不可取。
随机梯度下降（stochastic gradient descent,SGD）
由于批量梯度下降法在更新每一个参数时，都需要所有的训练样本，所以训练过程会
随着样本数量的加大而变得异常的缓慢。随机梯度下降法（Stochastic Gradient Descent，简称SGD）正是为了解决批量梯度下降法这一弊端而提出的。
小批量梯度下降（mini-batch gradient descent,MBGD）
有上述的两种梯度下降法可以看出，其各自均有优缺点，那么能不能在两种方法的性
能之间取得一个折衷呢？即，算法的训练过程比较快，而且也要保证最终参数训练的准确率，而这正是小批量梯度下降法设计的初衷。
MBGD在每次更新参数时使用b个样本（b一般为较小的数如100）
