神经网络是如何运用梯度下降算法进行学习

当神经网络预测结果不准确时，如何调整让网络变得准确呢？ 这个调整自身然后让自己预测更加准确的过程就是学习

我们知道，预测的是否准确是又W和b来决定的，所以神经网络学习的目的就是找到合适的W和b。通过一个叫做梯度下降的算法可以达到这个目的。

梯度下降算法： 一步步地改变w与b的值，新的w与b会使得损失函数的输出结果更小，即一步一步让预测更加精准。 我们所谓的训练神经网络其实就是找到一组w与b，使得这个损失函数最小，即预测结果更精准。

工作原理： 我们先假设损失函数J只有一个参数W，并假设W只是一个实数（实际上W是一个向量/一组实数）。 然后通过下面公式改变W的值。

新的W等于旧的W减去学习率r与偏导数dw的乘积。

r学习率，又称learning rate。控制W变化快慢，试想若r大，减去的数值大，那么w就变化得快。选择一个适合的r非常重要，不然控制不好w改变的步伐，可能永远找不到损失函数的最小值处。

dw及J（损失函数）的变化与w的变化的比例。按照这个比例去使w越来越小那么相对应的J也会越来越小，最终找到J（损失函数）最小的时候w的值是多少。在最低点另一边，dw（斜率）为负数，w变大，那么J变小，最终还是会移动到J的最小值处。