梯度，到底是什麼？很容易混淆。
站在山底，哪個方向爬坡最快，這個容易想像，但問題是，如果所在的高度是我們優化的目標的話，這個爬坡的方向並不是梯度的方向，這個是我們的目標值(函數值)的變化趨勢。
我們先看一下定義：
即：梯度是一個向量，而向量就有方向，該方向是方向導數取得最大值的方向，那方向導數是什麼？
可見：
方向導數是一個數方向指的是函數定義域的內點變化的方向 綜上，自變量沿著該方向變化，使函數值變化最大，機器學習中，函數值就是我們的優化目標。當函數值是損失函數值的時候，我們期望的是最小值，這個時候取梯度的反方向，即梯度下降即可。這就是為什麼我們經常看到，理解梯度，先畫等高線示意圖的原因，投影到地面的等高線，其實就是自變量的定義域，也就是機器學習中的參數空間，我們需要知道，怎麼更新參數，才能讓損失函數值最快地減小。
好，那現在的問題是梯度到底是哪個方向？也就是，自變量到底沿哪個方向變化，函數值變化最快。注意看右邊的等高線，假設有一個點A，無限放大等高線：
如上圖，也就是說，垂直於切線即法向量的方向，就是變化最快的方向，也就是梯度的方向。法向量的定義如下：
總結一下，梯度是個向量，自變量沿著該向量的方向變化，函數值變化最快。在機器學習中，為使損失函數下降最快，我們需要讓模型參數沿著梯度的負方向更新，即梯度下降。