我会使用尽量少的数学符号描述梯度，着重于意义而非计算。一个直观的例子，在机器学习领域有个术语叫「梯度下降」，你可以想象在群山之中，某个山的半山腰有只小兔子打算使用梯度下降的思路去往这片群山最深的山谷里找水喝。

梯度（gradient) 的概念. 在空间的每一个点都可以确定无限多个方向，一个多元函数在某个点也必然有无限多个方向。因此，导数在这无限多个方向导数中最大的一个（它直接反映了函数在这个点的变化率的数量级）等于多少？它是沿什么方向达到的？

Normalization这个事得好好掰扯掰扯。 上古时期，网络经常在初始几个iteration之后，loss还没下降就不动，必须得把每一层的gradient与weight的比值打印出来，针对性地调整每一层的初始化才能不崩。

Gradient Reversal Layer. 梯度下降是最小化目标函数，向负的梯度方向优化就是最大化目标函数。 Domain Adaptation by Backpropagation. 这个模型有三部分： 绿色（后文用G指代）：特征提取，得到的feature是共享的. 蓝色（后文用B

如图所示，我们假设函数是 y=x^2+1,那么如何使得这个函数达到最小值呢，简单的理解，就是对x求导，得到 y‘=\frac{1}{2}x ，然后用梯度下降的方式，如果初始值是（0的左边）负值,那么这是导数也是负值，用梯度下降的公式，使得x更加的靠近0,如果是正值的时候同理。

卷积神经网络（CNN）的开创性工作可以追溯到 Yann LeCun 在 1998 年发表的论文，论文题目为：“Gradient-based learning applied to document recognition”。 这篇论文介绍了一种名为 LeNet-5 的卷积神经网络架构，主要应用于手写数字识别任务。

policy-gradient 算法或者说 policy-gradient methods 是相对于 action-value methods 来说的。 我们把去估计动作值函数(action-value)然后利用其进行决策的方法叫做action-value methods

可以看出，该函数是凸函数，求导时能够得到全局最优值。 3. 学习过程 . 交叉熵损失函数经常用于分类问题中，特别是在神经网络做分类问题时，也经常使用交叉熵作为损失函数，此外，由于交叉熵涉及到计算每个类别的概率，所以交叉熵几乎每次都和sigmoid(或softmax)函数一起出现。

梯度下降法 (Gradient Descent) 一种通过计算并且减小梯度将损失降至最低的技术，它以训练数据为条件，来计算损失相对于模型参数的梯度。 通俗来说，梯度下降法以迭代方式调整参数，逐渐找到权重和偏差的最佳组合，从而将损失降至最低。

Jun 22, 2016 · 1998年，Lecun，《Gradient-Based Learning Applied to Document Recognition》，LeNet-5的提出。 2006年， Jake Bouvrie， Notes on Convolutional Neural Networks 2012年， Alex，《Imagenet classification with deep convolutional neural networks》 再往后的几年等我看了paper再上来回答问题吧~~~