高级优先算法
梯度下降法回顾
我们有个代价函数J(θ)而我们想要使其最小化，那么我们需要做的是编写代码来当输入参数θ时，代码会计算出两杨对象，J(θ）以及J(θ）等于0到n时的偏导数项，假设我们以及完成了可以实现这两件事的代码，那么梯度下降法要做的就是反复执行更新迭代θ值
简单的讲就是我们需要写代码来计算出代价函数J(θ)以及J(θ）的各项偏导数。再带入到梯度下降法的θ迭代公式中，然后最小化代价函数。
如图：
高级优先算法
先假设有一个例子：
有一个含有两个参数的问题，分别是θ1和θ2 。那么代价函数以及偏导数如图：
可以用梯度下降法计算**J(θ)**的最小值，也可以用更高级的算法，不如调用一个函数，如下：
这个函数会返回两个值，一个是jVal， gradient 第二个返回值返回的梯度值，是一个2*1的向量。分别对应了两个偏导数项。
然后就可以调用高级优先算法来计算。代码如下：
GradObj 和on 设置梯度目标参数为打开(on)。 MaxIter 100为迭代次数。 @costFunction @表示的是一个指向costFunction的指针。
这个算法就可以自己选择学习效率α
在Octave中的代码如图所示：
exitFlag = 1 表示已经收敛了，并且得到了θ值。
对于多元时的代价函数
只用吴恩达老师课上的一张图解释：
关于本节的课程，建议观看吴恩达老师的课程：
https://www.bilibili.com/video/av9912938?p=38
————————————————
