📝 展开文字版内容（供搜索引擎索引）
⛰️ 梯度下降
一句话类比：梯度下降就像蒙眼下山——每次朝最陡的方向迈一步，直到走进山谷
大白话说：梯度下降是AI训练时用来「越来越准」的核心方法。每次预测错了之后，AI会算出「朝哪个方向调整参数能让错误最快减小」，然后朝那个方向走一小步，重复几百万次，最终让预测越来越准确。
拆开看：
- 损失函数：衡量预测有多错的「评分标准」，越接近0越好
- 梯度：告诉你当前位置「最陡的下坡方向」的箭头
- 学习率：每次更新时迈步的大小，太大容易越过山谷，太小走得太慢
- 参数：AI大脑里所有可以被调整的数字（神经网络的权重）
- 迭代：重复「计算梯度→更新参数」这个过程，做成千上万次
常见误解：
❌ 梯度下降一定能找到最好的答案（全局最小值） → ✅ 它只能找到附近的局部最小值，大型神经网络靠随机初始化和多次训练绕开这个问题
❌ 学习率越小越好，越精确 → ✅ 学习率过小会极慢，还容易卡住；过大会越过最小值震荡。找合适的学习率是调参的核心艺术
类比的边界：
- 真正的山是3D的，损失函数的参数空间可能是数十亿维的
- 下山只有一个终点，梯度下降有无数个局部最小值
- 蒙眼走路是缓慢随机的，梯度下降每步都有明确的数学方向